Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadistica Basica para Ingenieros PDF
Estadistica Basica para Ingenieros PDF
Estelí, Nicaragua
Diagrama de control c
16
Quejas x Central
12
0
1 8 15 22 29
Mes
𝑘
12
𝑋2 = ∑ 𝑅 2 − 3𝑛(𝑘 + 1)
𝑛𝑘 (𝑘 + 1)
𝑗=1
14/03/2016
Luis María Dicovskiy Riobóo
UNI Norte
Índice
Introducción ............................................................................................................. 1
Capítulo 1. Estadística Descriptiva .......................................................................... 2
1.1 Introducción. .......................................................................................................... 2
1.2 Análisis de datos, Tablas de Distribución de frecuencias y Tablas de
Contingencia ................................................................................................................ 5
1.3 Gráficos ............................................................................................................... 14
1.4 Medidas de Tendencia Central ........................................................................... 19
1.4.1 Media Aritmética............................................................................................ 20
1.4.2 La Mediana.................................................................................................... 21
1.4.3 La Moda ........................................................................................................ 22
1.4.4 Otras medidas de tendencia central .............................................................. 24
1.4.4.1 La Media Geométrica ................................................................................. 24
1.4.4.2 La Media Cuadrática .................................................................................. 25
1.4.4.3 Cuartiles, Deciles y Percentiles .................................................................. 25
1.5 Medidas de Dispersión o de Variabilidad ............................................................ 26
1.5.1 El Rango ....................................................................................................... 26
1.5.2 El Desvío Estándar........................................................................................ 27
1.5.3 La Varianza ................................................................................................... 29
1.5.4 El Coeficiente de variación ............................................................................ 29
1.6 Otras medidas útiles en Estadística Descriptiva ................................................. 30
1.6.1 La Asimetría o Sesgo .................................................................................... 30
1.6.2 La Curtosis .................................................................................................... 31
1.7 Muestras y Población........................................................................................... 33
1.7.1 Muestreo Aleatorio Simple ............................................................................ 33
1.7.2 Muestreo Estratificado ................................................................................... 36
1.7.3 Muestreo por Conglomerados ....................................................................... 36
1.7.4 Muestreo Sistemático .................................................................................... 37
Capítulo 2. Teoría Elemental de Probabilidades ................................................... 39
2.1 Introducción a las Probabilidades ........................................................................ 39
2.2 Términos Básicos. ............................................................................................... 39
2.3 Propiedades de la Probabilidad ........................................................................... 41
2.3.1 Regla de la Suma. ......................................................................................... 42
2.3.2 Regla del producto. ....................................................................................... 43
2.4 Probabilidad condicionada ................................................................................... 43
2.5 Teorema de Bayes............................................................................................... 46
2.5.1 Regla de la probabilidad total ........................................................................ 46
2.5.2 Planteo del Teorema de Bayes ..................................................................... 47
2.6 Técnicas de conteo: Combinaciones y Permutaciones ....................................... 51
ii
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
iv
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
Introducción
Este texto básico de estadística está diseñando y organizado en función del contenido
de la mayoría de los temas que se aborda en las asignaturas de Estadística I y
Estadística II que se imparte en las carreras de Ingeniería en Sistemas, Civil, Industrial
y Agroindustrial de la Universidad Nacional de Ingeniería, UNI, Nicaragua. Sin
embargo, por su forma sencilla y asequible con que se trató de abordar los diferentes
temas, este texto puede ser útil como libro de texto en otras carreras universitarias.
Por último, para realizar los ejercicios de este texto y construir gráficos digitales se
sugiere utilizar el programa estadístico INFOSTAT, el cual dispone de una versión de
uso libre que se puede descargar gratuitamente desde la página www.infostat.com.ar .
UNI Norte
Objetivos
1.1 Introducción.
La estadística, es una ciencia relativamente nueva, pero con miles de años de uso
empírico, María y José parten de Nazaret a Belén para ser censados por los romanos.
¡Hace 2000 años éste imperio llevaba un control estadístico de lo que poseían sus
colonias para cobrarles impuestos! En la actualidad los procedimientos estadísticos son
de particular importancia en las diferentes ciencias, para reducir y abstraer datos Una
definición que describe la estadística de manera utilitaria es la que dice que es: “un
conjunto de técnicas para describir grupos de datos y para tomar decisiones en
ausencia de una información completa”. La estadística a diferencia de la matemática no
genera resultados exactos, los resultados siempre tienen asociada un grado de
incertidumbre o error. La estadística trata de lograr una aproximación de la realidad, la
cual es siempre mucho más compleja y rica que el modelo que podemos abstraer. Si
bien esta ciencia es ideal para describir procesos cuantitativos, tiene serios problemas
para explicar “por qué” cualitativo de las cosas.
2
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
En general podemos hablar de dos tipos de estadísticas, las descriptivas que nos
permiten resumir las características de grandes grupos de individuos y las inferenciales
que nos permite dar respuestas a preguntas (hipótesis) sobre poblaciones grandes a
partir de datos de grupos pequeños o muestras.
La estadística tiene serios problemas para explicar el “por qué”
Tipos de
Variables
Cualitativas Cuantitativas
3
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Las variables Continuas o Reales pueden adquirir cualquier valor dentro de un intervalo
especificado de valores, permite siempre que se encuentre un valor nuevo entre dos
valores previos, aceptan valores con fracciones de enteros. El rendimiento de un lote
de fríjol se mide en qq/mz es una variable continua. Generalmente estas variables se
obtienen de medir o pesar.
Las variables generan “datos”, con ellos se hace la estadística y cada uno de éstos
ocupa una celda de una matriz o base de datos. La Matriz de datos es un ordenamiento
de datos en fila y columnas donde cada fila es un individuo, una parcela, una muestra,
una unidad experimental o una encuesta determinada y cada columna: una variable.
4
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Los programas Access, Excel, Infostat y SPSS ordenan los datos en forma de matriz
numérica. Por ejemplo, en una encuesta (cuestionario) cada pregunta que se tiene,
genera al menos, una variable generalmente discreta. Hay casos donde una pregunta
puede generar muchas variables de tipo dicotómico, SI- NO.
Una vez que los datos se han codificado, transferidos a una matriz y guardado en una
computadora podemos proceder a analizarlos, proceso que se hace con un programa
estadístico como SPSS o INFOSTAT, de forma manual solo se pueden manejar pocos
datos y variables es por ello que el énfasis de este libro está más en la interpretación
de resultados que en los procedimientos de cálculo.
5
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Definición de Ejecución de
Creación de la Interpretación
análisis a análisis en
matriz de datos de resultados
realizar computadora
Una primera tarea luego de construir una tabla o matriz de datos, es explorarlos
buscando información atípica o anormal y corregir los casos que la información extraña
se deba a una mala digitación o error en la recolección de datos.
6
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Un caso especial de escala ordinal es la escala de Likert, esta escala es muy usada en
las ciencias sociales y se usa para medir actitudes, “Una actitud es una predisposición
aprendida para responder consistentemente de una manera favorable o desfavorable”.
Así las personas tenemos actitudes hacia muy diversos objetos o símbolos, por
ejemplo: actitudes hacia la política económica, un profesor, la ley, nosotros, etc. Las
actitudes están relacionadas con el comportamiento que mantenemos. Estas
mediciones de actitudes deben interpretarse como “síntomas” y no como hechos. Esta
escala es bipolar porque mide tanto el grado positivo como negativo de cada
enunciado y consiste en un conjunto de ítem presentado en forma de afirmaciones o
juicios ante los cuales se pide reacción a los sujetos en estudio en una escala de 5
puntos, cada punto tiene un valor numérico. Un ejemplo de cómo calificar con
afirmaciones positivas es ¿Le gusta cómo se imparte la clase de estadística?:
1- Muy en desacuerdo, 2- En desacuerdo, 3- Ni de acuerdo, ni en desacuerdo,
4- De acuerdo, 5-Muy de acuerdo.
Estar de acuerdo con la idea presentada significa un puntaje mayor.
7
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Ejercicio 1.3: entre los participantes del grupo de clases tomar datos de 15 variables
al menos por ejemplo: Edad, Sexo, Procedencia, etc. Y luego ordénelos en forma de
matriz de datos, recodifique la información cualitativa en numérica.
Si las opciones que genera una variable discreta permite hacer combinaciones de las
respuestas se sugiere crear muchas variables dicotómicas del tipo “Si o No”. Veamos
un ejemplo: Si se pregunta: que prácticas en los cultivos realiza un campesino, estas
pueden ser varias y combinadas como: Insecticidas Botánicos, Trampas amarillas,
Barreras vivas, Semilla resistente etc. En este caso lo que se hace es generar un
8
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
variable del tipo “Si, No” para cada opción de práctica de cultivo, generando muchas
variables en una sola pregunta.
Para crear una base de datos hay que recordar que se está obteniendo una matriz de
datos donde en la primera fila se tiene el nombre abreviado de la variable y en el resto
de las filas los datos para cada encuesta o individuo en estudio. Las variables
cualitativas se deben recodificar, veamos el siguiente ejemplo hipotético de 8
encuestas:
Ejercicio 1.4: Intente codificar numéricamente las respuestas que se generan a partir
de la encuesta de caracterización socioeconómica, que a continuación se detalla,
discuta las posibles respuestas, diga si las preguntas están bien formuladas, sugiera si
alguna de ellas está de más y que preguntas propone para completar la información.
Hoja de Encuesta
9
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Número de ficha___________
Fecha: ______________________________________________________
Primer Apellido_______________ Segundo Apellido___________________________
Nombres:________________________ Año____________
Dirección: _____________________________________________________
Estado Civil: _____ Número de personas que habitan la vivienda________________
Nivel de estudio de ellos ______________Edad de cada una de ellos________
Profesión: _____________________________________________________
Ejercicio 1.5:
Defina variables para caracterizar a los estudiantes del curso con el objetivo de
determinar posibles causas que tengan influencia en el rendimiento académico
del grupo.
Cree una base de datos de al menos 25 individuos. Ver ejemplo.
Ejemplo de una matriz de datos generados con datos de estudiantes.
notas edad altura Sexo Peso Origen Ingresos Becas opinión
74 25 1.75 Varón 140 No Alto No 3
70 18 1.55 Mujer 110 Estelí Media Si 3
80 24 1.85 Varón 150 Estelí Media Si 2
70 20 1.54 Mujer 117 Estelí Media No 4
78 24 1.65 Varón 150 No Alto No 5
85 19 1.8 Varón 150 Estelí Media No 5
70 19 1.7 Varón 140 No Media Si 5
75 20 1.5 Mujer 112 Estelí Alto Si 1
70 18 1.7 Varón 160 Estelí Alto No 4
85 18 1.67 Varón 120 No Alto No 4
77 18 1.63 Varón 135 Estelí Alto No 2
75 20 1.52 Mujer 110 Estelí Media No 3
80 18 1.75 Varón 110 Estelí Media Si 3
80 21 1.73 Varón 160 No Media Si 3
80 17 1.6 Mujer 114 No Alto No 2
78 18 1.5 Mujer 128 No Alto No 5
75 20 1.7 Mujer 120 Estelí Alto No 5
90 19 1.65 Mujer 130 No Alto Si 4
70 22 1.65 Varón 140 No Media Si 2
78 18 1.8 Varón 174 No Media Si 4
10
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Lo primero para construir una TDF es definir el “número de clases” o intervalos a crear
y el “ancho” de cada intervalo. Para que los gráficos permitan visualizar tendencias de
la variable en estudios, el número de clases se recomienda que no sean menor de 3 ni
mayor de 20. Al ancho de clase se calcula dividiendo el Rango (valor mayor – valor
menor), con un valor que debe variar entre 3 y 20. Hay que utilizar más clases cuando
se tiene más datos disponibles, si el número de clases es muy grande es posible tener
muchas clases vacías, si es demasiado pequeño podrían quedar ocultas características
importantes de los datos al agruparlos. Se tendría que determinar el número de clases
a partir de la cantidad de datos presente y de su uniformidad, en general con menos de
treinta datos se usa una TDF con 3-5 clases, para tener un criterio sobre el número de
clases en función del número de datos ver la tabla siguiente .
Tabla para determinar el número de clases de una TDF
Número datos Número de clases
30-50 5-7
51-100 6-10
101-250 7-12
+250 10-20
El valor central de una clase se llama “marca de clase”, este valor se usa para construir
los gráficos de polígonos de frecuencia. Veamos un ejemplo de cómo se construye una
11
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
12
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Texto..
0.28
frecuencia relativa
0.21
0.14
0.07
0.00
1100 1200 1300 1400 1500 1600 1700 1800
C$
Se puede observar que la información que lleva el gráfico es completa, incluye todos
los datos y permite explicar el contenido del mismo por ejemplo: la barra de mayor
altura contiene la moda y al no ser un gráfico simétrico concluyo que la media y
mediana son diferentes y que los datos son sesgados hay un agrupamiento de
frecuencias a la izquierda del centro.
Tablas de contingencia
Las tablas de contingencia, o tablas cruzadas, se usan para resumir la relación de
variables cualitativas con pocas categorías, incluso dicotómicas. Estas tablas
generalmente vinculan dos variables y en las celdas generadas se muestran las
13
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Ejercicio 1.6 Realizar una tabla de frecuencias con una variable discreta (contable) y
una variable continua (medible) de la matriz generada con los datos obtenidos en clase.
Con dos variables cualitativas construye una tabla de contingencia.
1.3 Gráficos
Los gráficos nos permiten presentar la información que dan los datos de manera
rápida, resumida y fácil de entender. Los gráficos se pueden clasificar de múltiples
maneras pero en éste texto los consideraremos como: univariados, bivariados y
multivariados, según el número de variables involucradas.
14
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
40
30
Frecuencia de personas
20
10
0
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90
Edad
15
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
otros
19%
primaria
45%
ninguno
15%
secundaria
21%
16
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
75.5
75.2
75.0
74.5
74.0
73.5
73.5
Nota Promedio
73.0
73.0
72.5
72.5
72.0
Matematica Contabilidad Programación Algebra
Asignatura
17
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
30
20
10
0
13 20 27 34 41 48 55 62 69 76
120
Este tipo de gráfico permite
100 resumir de manera muy
98
eficiente la información de
80
hasta 6 o 7 variables. Es
ideal para usar con
60
variables dicotómica, SI y
40 43 NO.
30
20
19
0
Escuela Cercana Agua Potable Teléfono
Electricidad Asistencia Médica
Gráfico De Barras,
18
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Bivariado en Agrupamientos
Ejercicio 1.7. Realizar un gráfico de barras y un gráfico de Pastel a partir de los datos
recolectados en clase.
Una de las medidas de tendencia central más común y útil es la media común o “media
aritmética”, pero también son de importancia, según las circunstancias y el tipo de
19
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Siendo “x” un valor de una medición de la variable en estudio e “i” un índice que varía
de “1 a n “.El número de datos de la muestra se identifica con la letra “n”.
∑𝒏𝟏 𝒙𝒊
̅
𝒙=
𝒏
Cuando se tienen datos agrupados en una distribución de frecuencias se obtiene el
punto medio de cada intervalo y se determina media de la siguiente manera:
(∑𝑘1 𝑥𝑀 𝑓)⁄
𝑥̅ = 𝑛
Donde “k” es el número de intervalos, “n” el número total de datos, “f” es la frecuencia
de la clase y “xM” el punto medio de cada intervalo.
20
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
∑𝒏
𝟏 𝒙𝒊 ∑𝑵
𝟏 𝒙𝒊
Media Aritmética ̅=
𝒙 Muestra µ= Población
𝒏 𝑵
1.4.2 La Mediana
La segunda medida de tendencia central en importancia es la mediana. La mediana
“Me” de un conjunto de mediciones “x1, x2, x3,...., xn” es el valor de “x” que se encuentra
en el punto medio o centro cuando se ordenan los valores de menor a mayor, ranking.
Esta medida no sufre la influencia de valores extremos atípicos.
21
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Como “n” es par, la mediana es igual a la mitad entre la medición con ranking “n / 2” y
la medición con ranking “(n/2) +1”, donde n / 2 = 5 y (n /2) +1)= 6.
El dato 5 vale 69 y el dato 6=79, entonces “la mediana” es igual a 69 + 79 / 2= 74
En este ejemplo la mediana es semejante a la media.
1.4.3 La Moda
La moda, Mo, es la medida de tendencia central más fácil de calcular y también es la
más sujeta a fluctuaciones cuando cambian unos pocos valores de la distribución. Por
esta razón la moda se suele usar para una evaluación rápida de la tendencia central.
La moda se define como “el valor más frecuente de una distribución”. En una tabla de
22
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
frecuencias, la frecuencia mayor es la que contiene a la moda. Esta medida se usa más
y tiene más sentido cuando se describen datos cualitativos, de hecho es la única
medida de tendencia central que funciona con este tipo de escala.
La mediana suele ser la medida preferida cuando se emplea una escala ordinal, estas
son las situaciones donde el valor asignado a cada caso no tiene otro significado más
que el indicar el orden entre los casos. Por ejemplo saber en una clase cuales alumnos
están dentro del 50% con mejores notas y cuales dentro del 50% con peores notas.
También se suele preferir la mediana cuando unos pocos valores extremos
distorsionan el valor de la media. Por ejemplo si tengo 9 personas con 0 ingresos y uno
sola que tiene ingresos de 10 unidades, la media dar a entender que la mayoría recibe
1 unidad, cuando esto no es real.
23
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
La moda en ciertas condiciones puede ser la más apropiada, por ejemplo cuando se
quiere información rápida y cuando la precisión no sea un factor especialmente
importante. En ciertos casos solo esta medida tiene sentido por ejemplo si un equipo de
fútbol lleva la estadística por jugador (escala ordinal) de la cantidad de pases que
realiza por juego, la Moda detecta quien es el que mejor distribuyendo la pelota, en
este caso la media y la mediana no tendrían significado, solo la moda.
Aunque no necesariamente una escala de medida nos debe decir qué tipo de medida
de tendencia central debemos usar, pero si nos ayuda a determinar cuál es la más
apropiada.
Su valor siempre es menor o igual a la media aritmética. Una ventaja de su uso es que
considera todos los valores de la distribución y es menos sensible que la media
aritmética a los valores extremos, sin embargo es de cálculo complicado y si un valor
vale 0 se anula.
24
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
25
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
14.9
Kg
11.2
Mediana
7.5
3.7
1.5.1 El Rango
El Rango, Recorrido o Amplitud de un conjunto de mediciones, “es la diferencia entre el
valor mayor y el valor menor”, indica el número necesario y mínimo de unidades, en la
escala de medición, para incluir los valores mínimo y máximo. Es la medida de
26
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
dispersión más fácil de calcular, pero también es la menos estable al estar fuertemente
influenciada por valores extremos atípicos.
Cuanto más grande es el rango, mayor será la dispersión de los datos de una
distribución. Es adecuada para medir la variación de pequeños conjuntos de datos.
𝑹 = 𝑽𝒂𝒍𝒐𝒓 𝑴𝒂𝒚𝒐𝒓 − 𝑽𝒂𝒍𝒐𝒓 𝑴𝒆𝒏𝒐𝒓
Cuando se trabaja con muestras el desvío estándar se simboliza con una “S” y con la
letra sigma minúscula “” cuando se usan datos de una población. Su fórmula de
cálculo tradicional es:
𝑁 𝑛
𝜎 = √(∑ (𝑥𝑖 − µ)2 ) /𝑁 𝑆 = √(∑ (𝑥𝑖 − 𝑥̅ )2 ) /(𝑛 − 1)
1 1
Donde i es cualquier valor de “1” a “n” o “N”, y “n” es el número total de datos de la
muestra y “N” de la población.
27
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Cálculo del desvió estándar “S” por suma de cuadrados, para datos no
agrupados.
El desvió estándar se puede expresar también de la siguiente manera:
𝑛 2 (∑𝑛1 𝑥 )2
∑
√ 1𝑥 −
𝑆= 𝑛
𝑛−1
∑𝒌𝒊=𝟏(𝒙𝒊 − 𝒙
̅)𝟐 𝒇
𝑺= √
𝒏−𝟏
Donde “xi” es la marca de clase “i”, “k” en el número de clases, “f” frecuencia por clase
y “n” en número total de datos.
Ejemplo de cálculo de Desvío Estándar “S”
Con el ejemplo de las notas de matemáticas haremos cálculo de “S”
“S”= ((55 76.1) 2 (62 76.1) 2 (67 76.1) 2 (68 76.1) 2 (69 76.1) 2 (79 76.1) 2
(88 76.1) 2 (89 76.1) 2 (92 76.1) 2 (92 76.1) 2 ) / 9
= 13.6
Se sugiere hacer estos cálculos usando una calculadora científica en función
estadística.
28
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
1.5.3 La Varianza
La varianza es el desvío estándar elevado al cuadrado y se simboliza con “S 2” cuando
es de una muestra, o “2 cuando es poblacional. Este es una medida que se usa en
muchas pruebas de Hipótesis estadísticas, por ejemplo “el Análisis de Varianza,
ANDEVA” que se basa en la descomposición y relación de las varianzas de las causas
de variación de los datos. Pero para fines descriptivos se prefiere usar el desvío
estándar en vez de la varianza, que suele ser un valor mayor y difícil de interpretar.
Cabe destacar que al describir nuestros datos, debemos interpretar nuestros datos de
tendencia central y de variabilidad en conjunto y no de manera separada. Con la media
y el desvío estándar se pueden construir intervalos donde están la mayoría de los
datos. La moda, mediana y el rango pueden completar la información sobre la
distribución y así tener una buena idea de lo que sucede con la variable en estudio.
29
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
30
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Asimetria 0.93
0.25
0.17
0.08
0.00
15 22 28 34 41 47 54 60
Cereal
Histograma de consumo de cereal en Kg/ año por habitante de diferentes países. En
este gráfico se observa una asimetría o sesgo positivo de 0.93, hay un agrupamiento
de datos a la izquierda de la curva de distribución normal, curva en color negro.
Para datos que siguen una distribución normal (ver Capítulo 3) el sesgo estandarizado
debe caer dentro de un intervalo (-2,+2).
1.6.2 La Curtosis
La curtosis es una medida que indica o mide lo plano o puntiaguda que es una curva de
distribución. Cuando esta es cero, curtosis = 0, significa que se trata de una curva
Normal. Si es positiva, quiere decir que la curva o distribución o polígono es más
puntiaguda o levantada que la curva normal (curva leptocúrtica). Si es negativa quiere
decir que es más plana (curva mesocúrtica).
∑𝒏 ̅)𝟒⁄
𝒊=𝟏(𝒙𝒊 −𝒙
𝒏
Curtosis =
𝑺𝟒
31
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
𝒄𝒖𝒓𝒕𝒐𝒔𝒊𝒔
𝑪𝒖𝒓𝒕𝒐𝒔𝒊𝒔𝒆𝒔𝒕𝒂𝒏𝒅𝒂𝒓𝒊𝒛𝒂𝒅𝒂 = . Para datos que siguen una distribución normal (ver
√𝟐𝟒⁄𝟐
Definición:
Las medidas calculadas a partir de la población, Ej. “” y “” se llaman
PARÁMETROS
Ejercicio 1.8:
Tomando como fuente de datos las variables continuas recolectadas a partir de los
datos que generen los estudiantes en clase deben construir:
medidas de tendencia central: medias, modas, medianas.
medidas de dispersión: desviación estándar y rango.
distribución de frecuencias.
espacios: 𝑥̅ 2 “S” y determinar cuántos datos entran en este intervalo.
gráficos de barras, histogramas y gráficos de pastel.
Ejercicio 1.9:
Se tiene los datos de 30 años de precipitaciones de San Ramón, Matagalpa. Calcule
los datos promedios y el coeficiente de variación de los 30 años y de forma
quinquenal (cada 5 años). Haga una tabla de los valores máximos y mínimos
quinquenales. Comente si observa alguna tendencia de variación de lluvias.
Datos de precipitaciones, San Ramón Matagalpa
Año Mm Año Mm Año mm
1970 1793 1980 2373 1990 1583
1971 1610 1981 1854 1991 1302
1972 1126 1982 1470 1992 1651
1973 1647 1983 1185 1993 2250
1974 1344 1984 1522 1994 1361
1975 1820 1985 1154 1995 2072
32
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Es la manera más sencilla de hacer muestreo. Decimos que una muestra es aleatoria
cuando:
Cada elemento de la población tiene la misma probabilidad de ser elegido.
La población es idéntica en todas las extracciones de muestreo. Esta
característica es irrelevante si el tamaño de la población (N) es grande en
relación al tamaño de la muestra (n).
33
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
El muestreo aleatorio simple debe utilizarse cuando los elementos de la población son
homogéneo respecto a las características a estudiar, es decir a priori no conocemos
que elementos de la población tendrán valores altos de ella. El primer problema al
aplicar esta forma de muestreo, es calcular el “n”, número de elementos de la muestra.
Veremos dos métodos de calcular ”n”.
Si bien este modelo es bastante teórico es un método muy usado para aproximar un
valor de “n” entrevistados, cuando se realiza investigación social o para determinar el
tamaño de muestra de un lote de piezas donde lo que se evalúa es si éstas están
defectuosas o no, muestreo por atributos.
Cálculo de “n” Gráficamente: Se sabe que a más grande la muestra mejor ésta
estima la media de la población, sin embargo hay un momento que la media que se
calcula a partir de la muestra casi no cambia, aunque ésta aumente de tamaño, en ese
momento el tamaño de la muestra comienza a ser óptimo.
34
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
35
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
60-300 10
301-1000 5
1001-5000 2
+ 5000 1
Una forma sencilla para dividir el tamaño total de la muestra “n” entre los estratos de
“ni” es por el Método de Asignación Proporcional, el cual toma en cuenta el tamaño
relativo del estrato de la población, por ejemplo si en la población hay un 55 % de
mujeres y un 45 % de hombres, mantendremos esta proporción en la muestra. En
general se hará de la manera “ni= n Ni/N”.
Si el orden de los elementos es tal que los más próximos tienden a ser más semejantes
que los alejados, el muestreo sistemático tiende a ser más preciso que el aleatorio
simple al cubrir más homogéneamente toda la población.
El muestreo sistemático puede aplicarse como una variante del muestreo aleatorio o
utilizarse conjuntamente con el muestro estratificado para seleccionar la muestra dentro
de cada estrato.
Ejercicio 1.10:
Suponga que quiere conocer la opinión de una comunidad donde hay 50 personas
adultas, N = 50. ¿Cuál es la es tamaño de “n” mínimo a calcular?
¿Cuál sería el valor de “n” con una ciudad de 50,000 habitantes?
Discuta que método de muestreo usaría si quiere estudiar la opinión de la gente de 12
barrios semejantes en cuanto a su nivel de vida y forma de generar sus ingresos.
38
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Objetivos
40
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
41
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Tiene dos reglas básicas que la estructuran: la regla de la suma y la regla del
producto.
Un caso especial más sencillo sucede si dos eventos “A” y “B” son incompatibles, esto
quiere decir que los eventos “A” y “B” no pueden ocurrir al mismo tiempo 𝑃 (𝐴 ⋂ 𝐵 ) =
0. (Un ejemplo de eventos incompatibles es cuando se tira una vez un dado y que
ocurran al mismo tiempo el número 1 y el número 6.)
Ejemplo, si se arroja dos veces una moneda al aire, la probabilidad que salga una vez
“escudo” y el otro “número” sin importar el orden, es la probabilidad de los eventos
“escudo, número” y “número, escudo”. Debido a que son cuatro los eventos posibles “
”= escudo –número, número –escudo, número – número y escudo-escudo y cada
uno con igual probabilidad, cada uno de esto eventos tiene una P = 0.25, de
ocurrencia. Por lo tanto la ocurrencia de “escudo-número” más “número –escudo” es de
“P (n, e) + P (e, n)”), que en valor de probabilidades es de P (0.25) + P (0.25) = 0.5
42
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Ejercicio 2.2. Se hace un juego donde se tira un dado una vez, y se gana si sale el
número 1,2 o 3. Si sale un número diferente se pierde. ¿Qué es más probable perder o
ganar?
Si dos evento “A” y “B” son independientes, si “A” no influye de ninguna manera en “B”
y viceversa. Entonces la probabilidad que los eventos independientes “A” y “B” ocurran
al mismo tiempo es P(A y B) = P (AB) = P(A) x P (B)= P(A ⋂ B). Siendo A ⋂ B = A
“intersección” B.
Una paradoja es que una persona que compra todas las semanas la lotería, para un
sorteo dado, tiene la misma probabilidad de sacar el premio mayor que una persona
que compró un número por primera vez.
Ejercicio 2.3: Estime la probabilidad que al elegir por sorteo dos estudiantes del grupo
de clase, ambos sean varones. Considere que la misma persona elegida en el primer
sorteo puede ser elegida en el segundo. Determinar también cuales eventos forman el “
”es este caso.
La probabilidad de que ocurra el suceso “A” dado que ha ocurrido el suceso “B” es la
“P (A\B)”, se denomina “probabilidad condicionada” o “probabilidad a posteriori” y se
define como:
𝑃(𝐴∩𝐵)
𝑃(𝐴\𝐵) = Si p (B) ≠ 0
𝑃(𝐵)
La condición que P(B) > 0, llamada “probabilidad a priori”, es necesaria para una
buena definición de probabilidad condicional. P(B) es el conocimiento previo que
condiciona la nueva probabilidad. Es de notar que si A y B son sucesos
independientes, la P(A\B) es igual a la P(A), es otro enfoque de mirar independencia.
Cómo regla general se enuncia que:
Dos eventos A y B son independientes si y sólo si: P (A\B) = P (A) y P (B\A) = P (B) que es lo
mismo: 𝑃(𝐴 ⋂ 𝐵) = P(A) x P (B)
Ejemplo: Se conoce que los estudiantes de la UNI tienen las siguientes preferencias
en el consumo de gaseosas:
44
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Ejercicio 2.4 Si se tiene una escuela de 200 alumnos distribuidos en tres aulas: A, B y
C. Por sexo: mujer, y varón; como sigue:
Aula/ Sexo Varón Mujer
A 20 20
B 30 30
C 56 44
Total 106 94
¿Cuál es la probabilidad que un estudiante, sin importar el sexo, sea del aula B?
¿Cuál es la probabilidad que un estudiante que pasa por el corredor sea del aula A, si
el estudiante es mujer?
Ejercicio 2.5 En un aula hay 6 estudiantes realizando un examen, dos son mujeres y
cuatro son varones. ¿Cuál es la probabilidad que finalice una mujer de segunda dado
que el primero en finalizar fue un hombre?
Si la solución es:
𝑃(𝑀 ∩ 𝑉) 8/30 2
𝑃 (𝑀\𝑉 ) = = =
𝑃(𝑉) 4/6 5
¿Explicar cómo se construyeron los valores 8/30 y 4/6?
45
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
A1 A2
An
sucede que P(Ai) 0 Ai. Entonces si ocurre un suceso B dentro del mismo espacio
A1 A2
An
46
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
𝑷(𝑩) = 𝑷(𝑩\𝑨𝟏 )𝑷(𝑨𝟏 ) + 𝑷(𝑩\𝑨𝟐 )𝑷(𝑨𝟐 )+. . +𝑷(𝑩\𝑨𝒏 )𝑷(𝑨𝒏 ) = ∑ 𝑷(𝑩\𝑨𝒊 )𝑷(𝑨𝒊 )
𝒊=𝟏
El teorema de Bayes, enunciado por el filósofo inglés Thomas Bayes y publicada por
primera vez en 1763, parte de una situación en la que ocurran una serie de sucesos Ai
que son una partición completa de un espacio de muestreo “Ω” y donde las
probabilidades P (Ai) 0. Estas probabilidades previas al problema, se denominan a
Priori. Pero también dentro del mismo espacio de muestreo existe un suceso B, tal que
P (B) 0, y que las probabilidades de ocurrencia de B son distintas según el suceso A i
que haya ocurrido, tal como se explica en la regla de la probabilidad total.
Conociendo que ha ocurrido el suceso B, la fórmula del teorema de Bayes nos indica
como modifica esta información las probabilidades de los sucesos A i . Se resalta que al
disponer información de B se cambian las probabilidades de Ai. Pasan las
probabilidades a priori P(Ai) a ser nuevas probabilidades, a posteriori, 𝑷(𝑨𝒊 \𝑩).
P(B\Ai )P(Ai )
𝑃(𝐴𝑖 \𝐵) =
∑ni=1 P(B\Ai )P(Ai )
En resumen, al aplicar el teorema de Bayes se hace la transición de un espacio con
probabilidades a Priori, a un espacio más restringido y con nuevas probabilidades, a
Posteriori
47
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Varón
0.27 0.50 0.23
Mujer
0.25 0.33 0.43
Resolviendo por Bayes, la probabilidad que una mujer no consuma gaseosas es:
P(M\NoC)P(NoC)
𝑃(𝑁𝑜𝐶\𝑀) =
P(M\NoC)P(NoC) + P(M\1 − 5)P(1 − 5) + P(M\ +5)P(+5)
0.27 (0.25)
𝑃(𝑁𝑜𝐶\𝑀 ) = = 0.20
0.27 (0.25) + 0.50 (0.33) + 0.23 (0.43)
48
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
a. Para calcular la probabilidad de que la pieza elegida sea defectuosa, P(D), por la
propiedad de la probabilidad total,
𝑃(𝐵 )𝑃(𝐷\𝐵)
𝑃 (𝐵\𝐷 ) =
𝑃(𝐴)𝑃 (𝐷\𝐴) + 𝑃(𝐵 )𝑃(𝐷\𝐵 ) + 𝑃(𝐶 )𝑃(𝐷\𝐶)
49
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
0.3(0.04) 12
= = 0.316
0.45(0.03) + 0.3(0.04) + 0.25(0.05) 38
0.45(0.03) 135
𝑃 (𝐴\𝐷) = = = 0.355
0.45(0.03) + 0.3(0.04) + 0.25(0.05) 380
0.25(0.05) 125
𝑃(𝐶 \𝐷) = = = 0.329
0.45(0.03) + 0.3(0.04) + 0.25(0.05) 380
50
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Ejercicio 2.7 Cierto artículo es manufacturado por tres fábricas: F1, F2 y F3. Se sabe
que la primera produce el doble de artículos que la segunda y que ésta (F2) y la tercera
producen el mismo número de artículos (durante un período de tiempo especificado, el
mismo para las tres). Se sabe también que el 1.5% de los artículos producidos por las
dos primeras fábricas es defectuoso, mientras que en la tercera los es el 3.5%.
Se colocan juntos todos los artículos producidos por las tres fábricas y se escoge uno
al azar.
¿Construya el diagrama de probabilidades?
¿Cuál es la Probabilidad de que un artículo sea Defectuoso?
¿Cuál Fábrica tiene la mayor probabilidad de haber producido el artículo Defectuosos?
Ejercicio 2.8 El 20% de los empleados de una empresa son ingenieros y otro 20% son
economistas. El 75% de los ingenieros ocupan un puesto directivo y el 50% de los
economistas también, mientras que los no ingenieros y los no economistas solamente
el 20% ocupa un puesto directivo.
¿Construya el diagrama de probabilidades?
¿Cuál es la probabilidad de que un empleado directivo elegido al azar sea ingeniero?
Combinaciones:
La expresión "Cm,n" representa las combinaciones de "m" elementos, formando
subgrupos de "n" elementos. Con esta técnica no se toma en cuenta el orden de los
elementos de cada subgrupo. Para calcular el número de combinaciones se aplica la
siguiente fórmula:
𝑚!
𝐶𝑚𝑛 =
𝑛! (𝑚 − 𝑛)!
51
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Permutaciones:
La expresión "Pm,n" representa las variaciones de "m" elementos, formando subgrupos
de "n" elementos. En este caso, un subgrupo se diferenciará del resto, bien por los
elementos que lo forman, o bien por el orden de dichos elementos. Para calcular el
número de permutaciones se aplica la siguiente fórmula:
𝑚!
𝑃𝑚𝑛 =
(𝑚 − 𝑛)!
52
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Ejemplo: Sea A= letras {a, b, c, d}, ¿cuántos subgrupos de dos letras se pueden
obtener?
Lo que se pide es formar permutaciones u ordenaciones de 2 letras, cuando el total de
letras es 4. P(14,2) En este caso n=2 y m =4. Las "palabras" de 2 letras formadas son:
ab, ac, ad, ba, bc, bd, ca, cb, cd, da, db, dc. En total son 12.
4!
𝑃4,2 = = 12
(4 − 2)!
Ejercicio 2.11. Una persona olvido su clave de acceso a una caja fuerte, la clave está
formada por 3 números, determina cuantas formas diferentes puede tener la clave si no
se permite repetir los números.
53
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Objetivos
Hasta éste capítulo nos hemos ocupado de descripciones de muestras usando tablas,
gráficos y medidas como la media y la varianza. Pero generalmente nuestro interés va
más allá que una simple descripción, suele haber interés en tratar de generalizar los
resultados de la muestra hacia el grupo total, es decir la Población. Para generalizar
podemos usar modelos estadísticos teóricos diseñados por estadísticos famosos como
Poisson, Gosset , Fisher y otros.
Hoy en día los modelos estadísticos teóricos son frecuentemente utilizados para
observar y comprender fenómenos naturales o productivos que implican el estudio de
variables con sus características en poblaciones de datos. El instrumento conceptual
que permitirá esta generalización es un modelo de la población, es decir una
representación simbólica de su comportamiento. Los modelos estadísticos van a actuar
de puente entre lo observado, la muestra y lo desconocido, la población.
empíricos. Debido a que estas distribuciones tratan sobre expectativas de que algo
suceda, resultan ser modelos útiles para hacer inferencias y para tomar decisiones en
condiciones de incertidumbre.
Una distribución de frecuencias son las frecuencias observadas de todos los resultados
de un experimento que se presentaron cuando ya se efectuó el experimento, es
empírica. Mientras que una distribución de probabilidad es un listado de las
probabilidades de todos los posibles resultados que podrían obtenerse si el
experimento se va a llevar a cabo, es teórica.
55
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
una población que pesen entre 1,5-1,6 Kg”. Las distribuciones discretas se asemejan a
las distribuciones continuas, cuando éstas tienen muchos resultados posibles, todos
muy cercanos entre sí.
Se puede pensar en una variable aleatoria como un valor o una magnitud que cambia
de una presentación a otra, sin seguir una secuencia predecible. Los valores de una
variable aleatoria son los valores numéricos correspondientes a cada posible resultado
de un experimento aleatorio. Una variable aleatoria asocia un número o más
generalmente una característica a todo resultado posible del experimento. Por ejemplo,
si consideramos el experimento que consiste en realizar mediciones de la
concentración de un producto en una solución, nos interesa la variable aleatoria X=
“valor medido de la concentración de azúcar en una salsa.” Otro ejemplo de variable
aleatoria asociada a un proceso de fabricación, al experimento de escoger un elemento
producido, y considerar la variable aleatoria X= “duración de vida de un monitor de una
computadora hasta el fallo”. Ambas variables anteriores son continuas. Un ejemplo de
variable aleatoria discreta es el número de número de televisores fallados por lote de
producción mensual.
56
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
El especio de muestreo = {vvv, vvñ, vñv, ñvv, vññ, ñvñ, ññv, ñññ}
X Sucesos px
0 {ññññ} 1/16
1 {ñññv, ññvñ, ñvññ, vñññ} 4/16
2 {ññvv, ñvñv, ñvvñ, vñvñ, vvññ, vññv} 6/16
3 {ñvvv, vñvv, vvñv, vvvñ} 4/16
4 {vvvv} 1/16
57
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
0.31
Probabilidad
0.22
0.13
0.05
0 1 2 3 4
Nro Niños
Sin embargo para las variables continuas la probabilidad de que una variable tome
cualquier valor concreto es 0, por lo tanto la fx sólo permite calcular la probabilidad para
un intervalo del tipo (a<X<b), mediante el cálculo de la integral correspondiente. Para
simplificar el cálculo con variables aleatorias continuas, se aproximan estas a funciones
conocidas y con tablas de probabilidades, ahora con programas computacionales, se
pueden buscar los valores de P(a<X<b).
X fx Fx
0 1/16 1/16
1 4/16 5/16
2 6/16 11/16
3 4/16 15/16
4 1/16 16/16
a
En variables continuas F (X) = P (X < a) = f ( x)dx
58
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
x E ( x) xf ( x) Caso discreto
x E ( x) xf ( x)dx Caso continuo
x Eh( x) h( x) f ( x)dx Caso continuo
Ejemplo con una variable discreta: Si en una bolsa tengo 5 marcadores de 5 colores
diferentes: azul, amarillo, negro, rojo, verde. Y el experimento consiste en extraer un
marcador y observar su color ¿Cuál es la probabilidad media?
59
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
La variable “X” solo puede tomar el valor 1 y para todos los colores f(x) = 1/5. En
consecuencia la media es
5
1 1 1
µ𝑥 = ∑ 𝑥𝑓 (𝑥 ) = 1 + 1 + ⋯ + 1 = 1
5 5 5
𝑥=1
Si se define ahora una nueva función sobre “X”: h(x)= “C$ a pagar”, qué se define de la
siguiente manera, al sacar un marcador de la bolsa: si X sale azul o amarillo h(x) 90
C$, si X sale negro h(x) 450 C$ y si X sale rojo o verde h(x) es 0 C$.
X h(x)
1 90
2 90
3 450
4 0
5 0
5
1 1 1
µ𝑥 = ∑ ℎ(𝑥 )𝑓 (𝑥 ) = 90 + 90 + 450 + 0 + 0 = 126
5 5 5
𝑥=1
¿Qué significa 126? es el valor promedio luego de jugar mucho tiempo, si se juega un
número grande de veces el juego de sacar un marcador de la bolsa reponiendo el
marcador que sale, la ganancia final esperada sería como si por cada jugada se
hubiera ganado 126 C$. Si la apuesta por jugar costara menos de esto, el juego sería
ventajoso para el jugador, si costara más, sería ventajoso para el casino. Se debe
considera que el juego sería justo si la apuesta costara exactamente 126 C$, igual
probabilidades de ganar por el casino y por el jugador. Como regla general los juegos
de azar son injustos para el jugador y ventajosos para el casino. La experiencia y la
estadística nos enseñan que el jugador consuetudinario de juegos de azar, a la larga
siempre pierde, por dos motivos: juega con desventaja de probabilidades y con menos
capital que el casino.
60
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Varianza
𝜎𝑥2 = 𝐸(𝑥 − µ𝑥 )2
Para el cálculo se usa ésta otra fórmula equivalente:
𝜎𝑥2 = 𝐸 (𝑥 2 ) − µ2𝑥
Ejercicio 3.1: En los casino el juego de ruleta mesa tiene 38 números, esto incluye el
número 0 y doble 00. Si usted apuesta una moneda a un número y gana, el casino le
paga 36 monedas. ¿Este es un juego justo? Justificar la respuesta.
61
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Ejercicio 3.2 Una industria produce ventanas cuya ancho tiene una media de 250 cm
y una desviación estándar de 1.80 cm ¿Construya un intervalo donde se encuentre al
menos el 8/9 de los datos?
Para una variable “x” con media µ y desviación estándar σ que está normalmente
distribuida, escribimos: “x” es N (µ, σ). La función de densidad de la distribución normal
es:
62
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
1 (𝑥−µ)2
−
𝑓(𝑥) = 𝑒 2𝜎 2
𝜎√2𝜋
20
10
Frecuencia
0
5 10 15 20 25 30 35 40 45 50 55 60 65 70
𝑥𝑖 − 𝜇
𝑍𝑖 =
𝜎
Luego con una tabla normal tipificada es fácil determinar probabilidades por intervalos
para diferentes valores de la variable “x”. Esta distribución funciona relativamente bien
para hacer probabilidades cuando se tiene más de 30 datos, y estos tienen una
distribución en forma de campana. A continuación, se observa un gráfico de una
distribución normal tipificada (0,1) donde está sombreado un intervalo de 1.96 desvió
estándar.
0.30
Densidad
0.20
0.10
0.00
-3.00 -2.00 -1.00 0.00 1.00 2.00 3.00
Variable
64
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Función de densidad
Normal(21,10.24): p(evento)=0.0144
0.13
0.09
Densidad
0.06
0.03
0.00
5.00 13.00 21.00 29.00 37.00
Variable
El área sombreada es la respuesta, que un estudiante tenga más de 28 años y tiene
una probabilidad de 0,014.
Ejercicio 3.4 Una fábrica produce puertas cuya altura tiene una distribución normal con
media de 250 cm y una desviación estándar de 2.60 cm
¿Cuál es la probabilidad que una puerta seleccionada de este grupo tenga una altura
entre 244 y 255 cm?
Ejercicio 3.5 Una población de niños en edad escolar tiene una media de 11.5 años y
un desvío estándar de 3 años. ¿Cuál es la probabilidad de que un niño sea entre 8.5 y
14.5 años, más de 10, y menos de 12?
Ejercicio 3.7 Se producen quesos con un diámetro es 35cm y se acepta una varianza
de 0.1 cm2. Si por problemas de envase se rechaza productos con diámetros menores
a 34.5cm y mayores a 35.5 ¿Cuál es la probabilidad de rechazo de la producción por
problemas de envase?
65
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Esta distribución es simétrica, con forma de campana y su media vale 0. Cuando hay
pocos datos la campana es más aplanada que una campana Normal, con de 30 datos
la distribución “t” es casi igual que la distribución Normal Tipificada (0,1). Esta
Distribución se usa extensivamente para construir intervalos de confianza de σ y para
realizar pruebas de hipótesis de: uno y dos promedias, del coeficiente de correlación y
de los coeficientes beta en la regresión lineal.
66
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
n=10
0.30
Densidad
n=1
0.20
0.10
0.00
-5.00 -2.50 0.00 2.50 5.00
Variable
Se observa que a más datos, la campana es más alta, con valores menos dispersos y
semejante a una curva Normal.
Ejemplo Se sabe que la media histórica de edad de los estudiantes de una universidad
es de 21 años. ¿Cuál es la probabilidad que un grupo de 30 estudiantes tenga un
promedio de edad mayor a 22 años? En este grupo se calculó S, desvío estándar, y
𝑥̅ −µ
este era de 5 años La forma de cálculo del estadístico es "𝑡" =
𝑆/√𝑛
22−21
En este caso "t" = =1.09. La probabilidad de éste valor se resuelve
5/√30
67
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
0.30
Densidad
0.20
0.10
0.00
-5.18 -2.59 0.00 2.59 5.18
Variable
Ejercicio 3.9 Históricamente se venden postes con un diámetro de 25cm, y con una
varianza de 64 cm. Si el comprador rechaza un lote si este tiene un promedio de
diámetro menor a 24 cm. ¿Cuál es la probabilidad de rechazar un lote de 100 postes?
Resolver con el módulo didáctico de INFOSTAT.
Es decir elevamos los “n” valores generados al cuadrado y los sumamos. Si aplicamos
este procedimiento muchas veces, obtendremos la distribución de una variable que
solo depende del número de sumandos, “n”. Esta distribución se denomina X2 con “n-
1” grados de libertad. Esta distribución no posee valore negativos por ser creada a
partir de suma de valores cuadrados.
68
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
0.24
0.18
Densidad
0.12
0.06
0.00
0.00 3.81 7.62 11.44 15.25
Variable
𝜒𝑛2⁄
𝑛
𝐹𝑛,𝑚 = 2
𝜒𝑚⁄
𝑚
La distribución de “F” es asimétrica y comienza del valor “0”, no posee valores
negativos, al igual que la distribución X2.
69
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Hipótesis nula, dos variancias de dos grupos de una misma población, son
iguales.
Hipótesis nula, las medias de los tratamientos pertenecen a una mismo media
poblacional 𝐻0 : 𝑥̅1, 𝑥̅2 … 𝑥̅𝑛 ∈ µ
Hipótesis nula, los coeficientes de la regresión lineal no existen 𝐻0 : 𝛽1 = 𝛽2 =
𝛽3 … = 𝛽𝑘 =0
0.6
0.5
Densidad
0.3
0.2
0.0
0.00 4.14 8.29 12.43 16.57
Variable
3. 7 La distribución Binomial
La distribución Binomial se utiliza para construir probabilidades con variables discretas,
variables cuyos valores son contables. Este modelo se aplica a poblaciones finitas de
las que tomamos elementos al azar con reemplazamiento y también a poblaciones
conceptualmente infinitas, como son las piezas que generara una máquina, siempre
que el proceso generador sea estable (proporción de pieza defectuosas constante a
largo plazo) y sin memoria (el resultado en cada momento es independiente de lo
previamente ocurrido).
70
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Generalizando, la variable binomial posee siempre 2 eventos, por ejemplo “A” y “B”. Se
define como “x”:
Conociendo que:
“p” es la probabilidad de ocurrencia del evento A
“q” es la probabilidad de ocurrencia del evento B
Siendo q = 1-p. Por lo tanto la probabilidad de encontrar “x” elementos que cumplen el
evento “A” luego de “n” repeticiones del experimento, se define como P (x):
𝑛
𝑃 (𝑥 ) = ( ) 𝑝 𝑥 𝑞𝑛−𝑥 siendo x = 0, 1, ..., n
𝑥
𝑛
Siendo( ) las posibles combinaciones de ocurrencia de “x” en “n” experimentos que
𝑥
se resuelve de la siguiente manera:
71
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
𝑛
( ) = 𝑛!⁄ (
𝑥 𝑥! 𝑛 − 𝑥 )!
12 5 125
P (5 varones) = 0.5 0.5
5
12
Donde 12!/ 5!(12 5)! = 792
5
72
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Ejemplo 2. Existe una empresa que produce vasos, y se sabe que históricamente el 2
% de estos salen fallados. Por otro lado existe un comprador que tolera el 2 % de
fallos, si el valor es mayor rechaza el lote completo que quiere comprar. Se decide
tomar una muestra de 100 vasos, ¿Cuál es la probabilidad de que el comprador acepte
el lote?
𝑃 (𝑥 ≤ 2) = 𝑃 (𝑥 = 0) + 𝑃(𝑥 = 1) + 𝑃 (𝑥 = 2) = 0.67
100
𝑃 (𝑥 = 0) = ( ) 0.020 0.98100 = 0.13
0
100
𝑃 (𝑥 = 1) = ( ) 0.021 0.9899 = 0.27
1
100
𝑃 (𝑥 = 1) = ( ) 0.022 0.9898 = 0.27
2
Ejercicio 3.10 El Ministerio del Trabajo reporta que 20% de la fuerza de trabajo en un
pueblo está desempleada. De una muestra de 14 trabajadores, calcule las siguientes
probabilidades con la fórmula de la distribución binomial (n=14, p=0.2): Resuelva:
1. Tres están desempleados. Respuesta: P(x=3)=.250
2. Al menos un trabajador está desempleado.
Respuesta: P(x 1) = 1 - P(x=0) =1 - .044 = .956
3. A lo más dos trabajadores están desempleados.
Respuesta: P(x 2)=.044 +.154 +.250 =.448
Ejercicio 3.11 Si el 15 % de las piezas producidas por una máquina son defectuosas,
¿cuál es la probabilidad de que entre cuatro piezas elegidas al azar, a lo sumo una sea
defectuosa? Respuesta: P(x 1)=.89
73
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
µ𝑥 𝜀 −µ
𝑃 (𝑥) =
𝑥!
Donde µ es la media aritmética del número de ocurrencias en un intervalo específico de
tiempo, 𝜀 es la constante 2.71828 y “X” es el número de ocurrencias. El número medio
de éxitos, µ, (lambda, λ, en algunos textos) se puede determinar en situaciones
binomiales por “n p”, donde “n” es el número de ensayos y p la probabilidad de éxito. La
varianza de la distribución de Poisson también es igual a “n p”.
Ejercicio 3.16 Si cada una de las 18 gallinas de un gallinero pone de promedio 0.5
huevos al día. Si se recogen los huevos cada 24 horas.
¿Cuál es el número medio de huevos que se recogen en cada visita? ¿Cuál es la
probabilidad de que x ≥ 5?. Respuesta: 9 y 0.94
Ejercicio 3.17 Como una forma de hacer control de calidad en una empresa
comercializadora de puertas de madera, el dueño exige que antes de salir de la fábrica
cada puerta sea revisada en busca de imperfecciones en la superficie de madera. El
encargado de control de calidad encontró que el número medio de puertas con
imperfecciones es del 5%. ¿Cuál es la probabilidad de un lote con 100 puertas tenga 4
imperfecciones o menos? Respuesta: 0.44
Ejercicio 3.18 Si un banco recibe de promedio 3 cheques sin fondos por medio día
Cuál es la probabilidad de que reciba en un medio día:
Dos cheques sin fondo
Que no reciba cheques sin fondos
Ejercicio 3.19 Supongamos que el número de imperfecciones en un alambre delgado
de cobre sigue una distribución Poisson con una media de 2.3 imperfecciones por
milímetro.
Determine la probabilidad de 2 imperfecciones en un milímetro de alambre.
Determine la probabilidad de 10 imperfecciones en 5 milímetros de alambre.
75
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Objetivos
parámetro a partir de estadísticos, estimadores, generados por los datos (Ej.:𝑥̅ , S, n).
76
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
𝑺
IC 95 % de = x 1.96 ( )
√𝒏)
𝑺
IC 95 % de = x “t95, n-1” ( )
√𝒏)
Donde “t” es el valor dado por la distribución “t” de Student con “n-1” Grados de
Libertad, para un 95 % se busca el valor del “t” 0.975, ya que esta es una prueba de
dos colas.
77
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Ejercicio 4.1 Una fábrica produce puertas, una muestra de 50 de éstas arroja que
tienen una altura media de 250 cm y una desviación estándar de 2.60 cm. ¿Construir
el intervalo de confianza de la media poblacional?
Una prueba de hipótesis es una pregunta relativa a una o varias poblaciones, que
puede ser cierta o no y que se va a responder a partir de los datos de las muestras. Las
hipótesis estadísticas se pueden contrastar con la información generada de las
muestras y siempre se tienen el riesgo que si se aceptan como si se rechazan se
puede cometer un error. En las ingenierías las pruebas de hipótesis se suelen utilizar
cuando se evalúan nuevas técnicas, tomando como referencia de comparación la
técnica tradicional. La hipótesis formulada con intención de rechazarla se llama
78
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
En el primer caso se habla de contraste bilateral. En los otros dos casos se tiene un
contraste unilateral, derecho en el segundo caso, o izquierdo en el tercer caso.
79
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Obsérvese que de manera general se está más seguro cuando se rechaza una
hipótesis que cuando no. Por eso se fija como H 0 lo que se quiere rechazar. Cuando no
se rechaza la H0, no necesariamente significa que la hipótesis nula se está cumpliendo,
puede suceder que por mucho error experimental o pocas repeticiones del
experimento, simplemente el modelo no ha podido rechazar.
80
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
4.3.1 La media de una muestra pertenece a una población con media conocida
Esta es una prueba que permite contrastar si una muestra de una variable, difiere
significativamente de una media poblacional dada. Generalmente esta media es
histórica.
𝑥̅ − µ
"t" =
𝑆⁄√𝑛
El valor “t” crítico se encuentra con n-1 grados de libertad.
Ejemplo:
Históricamente se cosecha los árboles a los 18 años. Se quiere saber si este año la
edad de corte será la misma a la histórica. Para verificar la pregunta se tomó una
muestra de 36 árboles y se calculó la edad estudiando los anillos del tronco. De los
datos observados surge la duda de si la edad de los árboles de este año, es mayor que
18 años. La muestra de 36 árboles dio los siguientes datos: 𝑥̅ = 18.5 S=3.6
Se trata de un contraste sobre medias. La hipótesis nula (lo que queremos rechazar)
es: H0: µ= 18. La hipótesis alternativa es: HA: µ> 18. Este un contraste lateral derecho.
81
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Fijamos "a priori" el nivel de significación en α = 0,05 y la región crítica en este ejemplo
t(35)0,05=1,70.
18.5 − 18
𝑡𝑐 = = 0.83
3.6⁄
√36
El valor “tc” de 0.83 no está en la región crítica de rechazo de la hipótesis nula (no es
mayor que el valor “t975” con 30 gl de 1,70), por tanto no rechazamos H0, concluimos
que la edad histórica de corte se mantiene.
Esta es una prueba “t” para muestras relacionadas, donde se pretende contrastar las
medias de una misma población que se ha medido dos veces en los mismos sujetos,
por ejemplo: A- En un grupo de estudiantes se quiere comparar el resultado del primer
examen parcial con el del segundo parcial para saber si el comportamiento ha
cambiado. B- Se quiere saber si diez fábricas artesanales que producen bloques están
manteniendo la calidad de sus productos en el tiempo, para eso se comparan
muestras del mes uno con muestras del mes dos, identificando la fábrica de origen de
cada muestra.
El estadístico de contraste es
𝑑̅
𝑡𝑐 =
𝑆𝑑
⁄
√𝑛
Donde 𝑑̅ es la media de las diferencias de los datos repetidos, Sd es la desviación
estándar de las diferencias, “n” es el número de pares (diferencias). El valor “t” crítico
82
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
La hipótesis nula es H0: µ6=µ12, hipótesis alternativa HA: µ6>µ12. Fijamos "a priori" el
nivel de significación en α = 0,05 y la región crítica en este ejemplo t (8)0,05=1,86.
El valor “tc” de 5.96 está en la región crítica (el valor P es de 0.002), por lo tanto
rechazamos H0, concluimos que el poder germinativo de la semilla de maíz disminuyó
al estar 12 meses almacenados.
83
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Esta es una prueba de hipótesis muy usada cuando se tienen dos grupos
independientes, y se quiere saber si estos tienen una misma media poblacional.
Hay diferentes tipos de prueba “t” para esta hipótesis, pero suponiendo varianzas
iguales en los dos grupos a comparar, el estadístico a calcular se construye de la
siguiente manera:
𝑥̅1 − 𝑥̅2
𝑡𝑐 =
(𝑛1 − 1) 𝑆12 + (𝑛2 − 1) 𝑆22 1 1
√( )( + )
𝑛1 + 𝑛2 − 2 𝑛1 𝑛2
Ejemplo. En un ensayo para evaluar la vida útil de dos productos. La variable medida
es el tiempo de vida útil en años: producto “T”, n = 35; x = 3,7 años de vida y s2 =13,9;
producto “K” n = 40; x = 15,1 años y s2 = 12,8. ¿El producto “K” tiene igual vida útil que
el producto “T”? Se trata de un contraste sobre diferencias de medias
A continuación se muestra cómo se calcula el estadístico “t”.
15.1 − 3.7
𝑡𝑐 = = 13.5
(35 − 1) 13.9 + (40 − 1) 12.8 1 1
√( )( + )
35 + 40 − 2 35 40
Se concluye que se rechaza la H0 , ya que el valor “t” calculado es mayor que el valor
de tabla con n1 + n2 – 2 , 35 + 40 -2 = 73 grados de libertad. Con estos grados de
libertad y con un alfa del 5% bilateral (2.5 % de rechazo en cada extremo) el valor “t” es
84
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
de 2.0, valor menor que 16.26. Concluimos que las medias de años de vida úil de los
dos productos son distintas.
Como no conocemos como son las varianzas entre sí, el modelo nos obliga a verificar
si la varianzas son iguales, si fueran distintas es otra la prueba “t” a realizar. Para ello
se debe plantear un contraste de prueba de hipótesis de variancias. Si las variancias
son iguales se acepta la prueba “t” anterior, sino se debe hacer otra variante de prueba
“t”, la cual normalmente ofrecen los softwares estadísticos.
Para validar la prueba “t” antes explicada se debe comprobar si las variancias de los
dos grupos son iguales, H0 de la siguiente prueba de hipótesis:
El estadístico de contraste es una prueba “F” = S2K / S2T = 13.9 / 12.8= 1.09, como el
valor “F” de tabla con “nK -1” y “nT -1” grados de libertad es 1.74, en consecuencia,
aceptamos la H0 y concluimos que las varianzas son iguales.
Ejercicio 4.2 Se evaluó 2 tipos de abono, uno con base de pulpa de café, otro con
base de abono de lombriz, La variable de producción fue grs. promedio del peso seco
de las plántulas de café a los 6 meses de siembra por unidad experimental, el ensayo
tuvo cuatro repeticiones.
Tabla de Datos. Peso en onzas. Parte aérea plántula de café.
Tratamiento/ Repetición I II III IV
Pulpa café 1.00 0.90 1.16 0.98
Lombrihumus 1.65 1.59 2.00 1.65
Realizar e Interpretar su prueba de hipótesis. Resolver con una prueba “t” para dos
grupos que pertenecen a una misma población
85
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Objetivos
5.1 Correlación
Se puede definir la correlación cómo la medida estadística que sirve para evaluar la
intensidad de la asociación entre dos o más variables cuantitativas. Es común que se
quiera saber, si sobre una misma población los valores de dos o más variables
cuantitativas distintas tienen alguna relación medible entre ellas, o si los cambios en
una o varias de ellas influyen en los valores de otra variable. Si ocurre esto decimos
que las variables están correlacionadas o bien que hay correlación entre ellas. Este tipo
de análisis funciona bien cuando las variables estudiadas son continuas, no es
adecuado usar esta prueba con variables cualitativas.
El principal objetivo del análisis de correlación consiste en determinar qué tan fuerte es
la relación entre las variables. Las variables que se vinculan se llaman:
Variable Dependiente.- es la variable que se predice o calcula. Cuya
representación es "𝑌̂"
Variable/s Independiente/s.- es la o las variables que proporcionan las bases
para el cálculo. Cuya letra de representación es: “X”. Esta o estas variables
suelen ocurrir antes en el tiempo que la variable dependiente.
86
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
hasta uno, -1 < r < 1, indicando que mientras más cercano a uno sea el valor del
coeficiente de correlación, en cualquier dirección, más fuerte será la asociación lineal
entre las dos variables. El coeficiente de correlación de cálculo “r” es un estimador de la
muestra del coeficiente poblacional Rho, ρ. Mientras más cercano a cero sea el
coeficiente de correlación, este indicará que más débil es la asociación entre ambas
variables. Si es igual a cero se concluirá que no existe relación lineal alguna entre
ambas variables. Hay varias maneras equivalentes de calcular “r”, a continuación se
muestran tres formas.
𝑆𝑋𝑌
𝑟=
𝑆𝑋 𝑆𝑌
Siendo: “SXY” la covarianza de (X,Y) y “SX, SY” las desviaciones típicas de las
distribuciones de las variables independiente y dependiente respectivamente.
87
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Según sea la dispersión de los datos (nube de puntos) en el plano cartesiano, pueden
darse, alguna de las siguientes relaciones: lineales o curvilíneas cómo la cuadrática,
cúbica, etc. Dentro de estas nubes de puntos se pueden generar líneas poligonales a
partir de ecuaciones de regresión, que permitan predecir el comportamiento de la
variable dependiente.
5.2 Regresión
La regresión es una técnica que permite predecir un valor numérico de una variable,
dependiente, basándonos en el conocimiento de un valor diferente de una o varias
variables independientes. El término regresión fue introducido por Francis Galton en su
libro Natural inheritance (1889), partiendo de los análisis estadísticos de Karl Pearson.
Su trabajo se centró en la descripción de los rasgos físicos de los descendientes a
partir de los de sus padres. Estudiando la altura de padres e hijos llegó a la conclusión
de que los padres muy altos tenían una tendencia a tener hijos cuya altura regresaba a
la media.
Los tipos de regresión más comunes entre dos variables son las del tipo polinómico
como la regresión: lineal, cuadrática y cúbica. La primera regresión genera una recta,
las otras diferentes tipos de curvas. Sin embargo hay muchos otros modelos de
regresión que se pueden usar con dos variables por ejemplo: logarítmica, inversa,
88
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
REGRESIÓN ECUACIÓN
Lineal 𝑦̂ = 𝛽0 + 𝛽1 𝑋
Logarítmica 𝑦̂ = 𝛽0 + 𝛽1 𝐿𝑛(𝑋)
Exponencial 𝑦̂ = 𝛽0 𝑒 𝛽1 𝑥
Potencial 𝑦̂ = 𝑏0 𝑥 𝑏1
Inversa 𝑏1
𝑦̂ = 𝑏0 +
𝑥
Cuadrática 𝑦̂ = 𝛽0 + 𝛽1 𝑋 + 𝛽2 𝑥 2
Cúbica 𝑦̂ = 𝛽0 + 𝛽1 𝑋 + 𝛽2 𝑥 2 + 𝛽3 𝑥 3
Lineal Múltiple 𝑦̂𝑖 = 𝛽0 + 𝛽1 𝑋𝑖1 + 𝛽2 𝑋𝑖2 +. . . + 𝛽𝑘 𝑋𝑖𝑘
Los parámetros poblacionales “β” se estiman a partir de los estimadores “b” calculados a
partir de los datos generados por muestras.
𝑦𝑖 − 𝑦̂𝑖 = 𝜀𝑖
El valor de i también llamado error aleatorio puede ser negativo o positivo. El error
calculado a partir de muestras se simboliza con la letra “e”. Una propiedad de los
errores es que a esperanza de los errores vale 0, 𝐸 (𝑒𝑖 ) = 0. El promedio de los
errores es iguales a cero, al igual que la sumatoria de los mismos.
𝑦̂𝑖 − 𝑦̅ = 𝑏1 (𝑥𝑖 − 𝑥̅ )
De tal manera que la ordenada al origen, cuando “X” vale 0, “b 0”, queda definida de la
siguiente manera:
𝑦̂𝑖 = 𝑏0 = 𝑦̅ − 𝑏1 𝑥̅
90
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Matemáticas 40 56 64 65 66 68 75 76 85 95
Español 45 59 67 59 69 70 61 82 75 100
Se supone que los alumnos con mejores notas en matemáticas, variable independiente
“X”, tienen las mejores notas en español, variable dependiente “Y”. Esta pregunta se
puede responder con un análisis de regresión correlación.
Gráfico de Dispersión
103
88
español
73
57
42
37 52 68 83 98
matemáticas
Cálculo de la recta de regresión con datos generados con una calculadora de mano
que hace sumatorias:
91
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
∑ 𝑦 2 = 49,207; ∑ 𝑥𝑦 = 49,223
Este valor de “r” de 0.891 refleja que hay una alta correlación, asociación, entre las
notas de matemáticas y español, los mejores estudiantes en una asignatura son los
mejores estudiantes en la otra.
92
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Regresión simple
100
85
español
70
56
41
37 52 68 83 98
matemáticas
Gráfico de Regresión de la asignatura Matemática y Español. Se observa la recta de
regresión y los datos observados en forma de puntos.
93
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
4.6
-1.2
-7.1
-13.0
-13.0 -7.1 -1.2 4.6 10.5
Cuantiles de una Normal
94
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
En el caso particular de tres viables, la correlación parcial entre “Y” y “X1”con un “X2” fijo
se denota “ryx1.x2”, y se calcula a partir de las correlaciones simples de la siguiente
manera:
2
(𝑟𝑦𝑥1 − 𝑟𝑦𝑥2 𝑟𝑥1 𝑥2 )
𝑟𝑦𝑥1 .𝑥2 = √ 2 )(1 − 𝑟 2 )
(1 − 𝑟𝑦𝑥 2 𝑥 1 𝑥2
2
(𝑟𝑦𝑥2 − 𝑟𝑦𝑥1 𝑟𝑥1 𝑥2 )
𝑟𝑦𝑥2 .𝑥1 = √ 2 )(1 − 𝑟 2 )
(1 − 𝑟𝑦𝑥 1 𝑥 1 𝑥2
95
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
2
(𝑟𝑦𝑥1 .𝑥3 …𝑥𝑘 − 𝑟𝑦𝑥2 .𝑥3… 𝑟𝑥1𝑥2.𝑥3…𝑥𝑘 )
𝑟𝑦𝑥1 .𝑥2𝑥3…𝑥𝑘 =√ 2
(1 − 𝑟𝑦𝑥 2 .𝑥3 …𝑥𝑘
)(1 − 𝑟𝑥21 𝑥2 .𝑥3 …𝑥𝑘 )
puede definir de manera general como la raíz cuadrada de la suma de los cuadrados
explicados por la regresión sobre la suma de los cuadrados totales, este coeficiente
solo toma valores entre 0 y 1.
∑𝒏𝒊=𝟏(𝒚 ̅ )𝟐
̂− 𝒚
𝒓𝒚.𝒙𝟏 𝒙𝟐 ..𝒙𝒌 = √ 𝒏
∑𝒊=𝟏(𝒚 − 𝒚
̅ )𝟐
Es posible encontrar una ecuación general del coeficiente de correlación múltiple que
incluye “k” variables independientes, esta se puede construir a partir de los coeficientes
de correlación parciales:
2 2 2 2 2
1 − 𝑟𝑦.𝑥 1 𝑥2 …𝑥𝑘
= (1 − 𝑟𝑦𝑥 1
)(1 − 𝑟𝑦𝑥 2 .𝑥1
)(1 − 𝑟𝑦𝑥 3 .𝑥1 𝑥2
) … (1 − 𝑟𝑦𝑥 𝑘 .𝑥1 …𝑥𝑘−1
)
96
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Coeficiente de correlación múltiple con tres variables “y”, “x1” y “x2” a partir de
correlaciones lineales simples.
El modelo más sencillo de regresión múltiple es cuando se tiene dos variables
independientes “x”. De manera operacional un ejemplo de tres variables se puede
resolver a partir de las correlaciones simples entre las 3 variables. “r” se calcula de la
siguiente manera:
2 + 𝑟 2 − 2𝑟
𝑟𝑦𝑥 𝑦𝑥2 𝑦𝑥1 𝑟𝑦𝑥2 𝑟𝑥1 𝑥2
𝒓𝒚.𝒙𝟏 𝒙𝟐 = √ 1
𝟏 − 𝒓𝟐𝒙𝟏 𝒙𝟐
Se debe notar que en este ejemplo para hacer ry.x1x2 es necesario calcular previamente
tres correlaciones simples de tres variables.
𝑏0 𝑛 + 𝑏1 ∑ 𝑥1 + 𝑏2 ∑ 𝑥2 = ∑ 𝑦̂
𝑏0 ∑ 𝑥1 + 𝑏1 ∑ 𝑥12 + 𝑏2 ∑ 𝑥2 𝑥1 = ∑ 𝑦̂𝑥1
𝑏0 ∑ 𝑥2 + 𝑏1 ∑ 𝑥2 𝑥1 + 𝑏2 ∑ 𝑥22 = ∑ 𝑦̂𝑥2
97
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
𝑏1 ∑(x1 − x̅1 )(x2 − x̅2) + b2 ∑(x2 − x̅2 )2 = ∑(x2 − x̅2 )(y − y̅)
Para poder resolver una regresión múltiple se puede usar una calculadora de mano que
tenga incorporada la función de regresión y permita calcular directamente sumas de
cuadrados y suma de productos de los valores de “x y”. Para esto se deben utilizar las
dos siguientes igualdades conocidas:
(∑ 𝑥 )2 ∑𝑥∑𝑦
∑(𝑥 − 𝑥̅ )2 = ∑𝑥 − 2 ∑(𝑥 − 𝑥̅ )(𝑦 − 𝑦̅) = ∑ 𝑥𝑦 −
𝑛 𝑛
Ejemplo: Hay una hipótesis que sugiere que el consumo de un producto dado,
expresado en unidades compradas por persona en un año está influido por: el ingreso
por persona que trabaja y el tamaño de habitantes de la ciudad. Hacer estudio de
correlación y regresión para responder a la suposición.
Datos
98
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
𝑟 0.00246+0.33−2(−0.049)(0.574)(0.274)
= 0.613
𝑦.𝑥1 𝑥2 =√ 1−0.075
La regresión se plantea como un sistema de dos ecuaciones, con los siguientes valores
obtenidos a partir de las sumatorias antes definidas.
𝑏1 39.38 + 𝑏2 29.5 = −2.35
𝑏1 29.5 + 𝑏2 293.5 = 74.25
Luego se despeja b1 y b2, en este ejemplo los valores son respectivamente -0.27 y
0.28. Luego se calcula b0 sabiendo que
𝑏0 = 𝑦̅ − 𝑏1 ̅̅̅
𝑥1 − 𝑏2 ̅̅̅
𝑥2
𝑏̂ = (𝑋𝑇 𝑋)−1(𝑋𝑇 𝑌)
Siendo:
𝑏̂ Columna vector de coeficientes “b”, la incógnita.
“Y” el vector de valores observados de la variable dependiente.
99
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
𝑛−2
𝑡𝑐 = 𝑟√
1 − 𝑟2
Ejemplo con los datos del problema donde “r” correlaciona las notas obtenidas en
“Matemáticas” con las notas de “Español”:
10 − 2
𝑡𝑐 = 0.891√ = 5.55
1 − 0.8912
100
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
El valor 5.55 es mayo que el valor “t” de tabla con 8 gl, de 2.3, por lo tanto se acepta la
hipótesis alternativa, Rho es diferente de 0, existe correlación, por lo tanto se justifica
realizar un estudio posterior de regresión.
101
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
∑𝒏𝒊=𝟏(𝒚̂ − 𝒚̅ )𝟐
𝒓𝟐𝒚.𝒙𝟏 𝒙𝟐 ..𝒙𝒌 = 𝒏
∑𝒊=𝟏(𝒚 − 𝒚̅ )𝟐
Se hizo con INFOSTAT el análisis de variancia del ejemplo de regresión múltiple entre
consumo, habitantes e ingreso. Se obtuvo el siguiente cuadro.
Cuadro de Análisis de la Varianza
F.V. SC GL CM F p-valor
Total 56.88 7
Regresión 21.43 2 10.71 1.51 0.3066
Error 35.45 5 7.09
Como el p-valor es mayor a 0.05 aceptamos la H0, los coeficientes β tienen un valor de
0, por lo tanto la regresión estimada no sirve para predecir el consumo.
𝒃𝒊 ± 𝒕(𝜶),(𝒏−𝒌−𝟏) 𝑺𝒃𝒊
Ejercicio 5.1 Tomar en clase el peso y la altura de 10 personas, hacer el gráfico de
dispersión, calcular el coeficiente de correlación y la recta de regresión de estos datos.
102
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Ejercicio 5.2 Hay una hipótesis de investigación que sugiere que el gasto en comida
por familia, expresado en C$ por mes, está influido directamente por el ingreso
familiar mensual en C$. Haga estudio de regresión y correlación de las dos variables.
Trabaje con calculadora.
Tabla de datos
Ingreso observado por Gasto observados en
familia, en cientos C$ alimentación, en cientos C$
30 21
34 26
17 5
26 19
29 18
18 7
32 23
32 25
103
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Datos
“Y” Materia X1 ppm X2 ppm “Y” Materia X1 ppm X2 ppm
seca Nitrógeno Fósforo seca Nitrógeno Fósforo
22 76 20 22 66 25
34 82 36 33 73 35
35 121 32 21 58 26
35 88 32 17 31 15
36 90 38 38 38 39
37 94 36 18 56 15
38 81 39 22 64 23
34 79 36 35 87 31
35 79 35 19 56 14
35 86 35 29 55 25
104
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
105
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Objetivos
Unidad Experimental es la mínima unidad donde se aplican los tratamientos, puede ser
una persona o una comunidad, una planta o una parcela. Es la unidad donde se toma
el dato. El tamaño y número de elementos varía según los objetivos de la investigación.
106
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Repetición Es el número de veces que ocurre cada tratamiento. ¡Para poder hacer
estadística debe haber repeticiones¡ Para tener confiabilidad en los resultados de un
experimento, el número mínimo de repeticiones no debería ser menor a cuatro.
107
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
El ANDEVA usado para analizar experimentos, es un método muy flexible que permite
construir modelos estadísticos para el análisis de los datos experimentales.
Básicamente es un procedimiento que permite dividir la varianza de la variable
dependiente, generalmente variable continua, en dos o más componentes, cada uno de
los cuales puede ser atribuido a una fuente (variable o factor) identificable y la otra al
error experimental. Las variables independientes son generalmente nominales, son los
Factores en estudio y hacen grupos o tratamientos.
Los modelos que permite construir el ANDEVA pueden ser reducidos al cociente entre
dos varianzas, el numerador es la varianza del modelo como los tratamientos, bloques,
etc. y el denominador es la varianza de los errores. Por ejemplo, en un caso de
2
𝑆𝑡𝑟𝑎𝑡
ANDEVA unifactorial o anova one way el valor “F” calculado es 2 .
𝑆𝑒𝑟𝑟𝑜𝑟
108
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
El ANDEVA está basado en ciertos supuestos, unos más posibles que otros Es
evidente que cuantos más factores introduzcamos se espera que quede menos
cantidad de variación residual (error) por explicar. Pero siempre quedará alguna
variación residual.
109
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
debido al Teorema Central del Límite. Sin embargo, si los errores de los datos son
extremadamente no-normales, es posible transformar los datos para cubrir este
requisito, o bien emplear métodos no paramétricos.
110
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Una prueba ANDEVA supone que los datos siguen un modelo lineal aditivo. Para cada
diseño experimental se construye un modelo matemático lineal aditivo, para el caso de
un diseño completamente aleatorio, DCA, es 𝑥𝑖𝑗 = 𝑥̅ ± 𝛼𝑖 ± 𝜀𝑖𝑗 . La ecuación expresa
que el valor de cualquier unidad experimental está compuesta por la media general,
más o menos el efecto de tratamiento 𝛼𝑖 y más o menos un termino de error
característico de cada dato 𝜀𝑖𝑗 . En este modelo los términos se suman, si esto no
ocurre así, el ANDEVA nos puede llevar a conclusiones incorrectas. La falta de
aditividad puede ocurrir por un mal diseño del experimento, por ejemplo si se prueban
diferentes dosis de fertilizante, pero cada dosis se prueba en una especie de planta
diferente, puede resultar una interacción entre dosis de fertilizante y especie de planta,
lo que rompa el modelo aditivo.
Logaritmo Log (x), útil cuando los datos crecen en sentido exponencial o cuando
las desviaciones estándares de las muestras sean aproximadamente
111
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Como último recurso, ante datos dudosos de análisis se puede hacer uso de métodos
de estadística no paramétrica. Es importante mencionar que el empleo de estadística
no paramétrica o el uso de transformaciones no eliminan el problema de la falta de
aleatoriedad de las unidades experimentales, errores por un mal diseño del
experimento o por una mala toma de datos, es decir, la ejecución incorrecta de un
experimento, no se tiene más remedio que repetir el experimento, corrigiendo los
errores por falta de diseño o mal manejo.
112
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
113
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
H0: µ1= µ2= µ3= µk, como se supone que la variancia de los tratamientos es semejante a
2
la variancia del error, por lo tanto la relación 𝑆𝛼 /𝑆𝜀2 debe ser un valor pequeño,
cercano a uno.
HA: no todos los µ son iguales, al menos el menor y mayor promedios son diferentes.
2
Esto supone que la relación 𝑆𝛼 /𝑆𝜀2 es un valor relativamente grande, ya que la
variancia de los tratamientos es varias veces mayor a la variancia del error.
Estadístico de Prueba:
114
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
𝑛 2
Total 2(∑𝑛1 𝑥𝑖𝑗 )
)
∑(𝑥𝑖𝑗 −
“n – 1 “ 𝑛
1
El coeficiente de Determinación, R2
Este coeficiente muestra que proporción de la variación total de los datos está siendo
explicada por el modelo adoptado, R 2 es un valor entre 0 y 1; a más cerca de 1 mejor
funciona el modelo. El R2 se construye con la suma de cuadrados de la tabla ANDEVA
𝑆𝐶𝑀𝑜𝑑𝑒𝑙𝑜
de la siguiente manera: 𝑅2 = ⁄𝑆𝐶 . En el caso de un DCA la suma de
𝑇𝑜𝑡𝑎𝑙
115
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
√𝐶𝑀𝐸𝑟𝑟𝑜𝑟⁄
esta variación. La forma de cálculo es: 𝐶𝑉 = (100)
𝑋̅
Tabla de ANDEVA
Causa de Grados de Suma de Cuadrado “FCalculada”
Variación Libertad Cuadrados Medio, CM
“S2”
Tratamientos 4 –1 = 3 3.28 3.28/ 3 =1.09 1.09/0.02=
65.18
Error 15- 3 = 12 0.20 0.2/12 =0.017 P valor 0.00
Total 16 – 1 = 15 3.48
116
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
2
2 (∑𝑛
1 𝑥𝑖𝑗 )
Suma de Cuadrados Total = ∑𝑛1(𝑥𝑖𝑗 ) − 𝑛
= (1.002 + 0.902 + 1.162 +0.982...+ 0.462 ) – ((1.00 + 0.90 + 1.16 +0.98...+ 0.46)2 / 16) =
26.61 – 19.242 / 16 = 26.61 – 23.13 = 3.48
2 2
∑𝑡1(∑𝑟1 𝑥𝑗) (∑𝑛
1 𝑥𝑖𝑗 )
Suma de cuadrados de los Tratamientos = −
𝑟 𝑛
Interpretación
La prueba resulta en HA: no todos los µ son iguales
Ya que la “F” calculada 65.18 > “F” Tabla 3.49 (con 3 y 12 grados de libertad)
Media
Media Tratamient Efecto Error
Tratamiento Peso Total o Tratamiento Error Absoluto
Pulpa café 1.00 1.2 1.01 -0.19 -0.01 0.01
Pulpa café 0.90 1.2 1.01 -0.19 -0.11 0.11
Pulpa café 1.16 1.2 1.01 -0.19 0.15 0.15
Pulpa café 0.98 1.2 1.01 -0.19 -0.03 0.03
Lombrihumus 1.65 1.2 1.72 0.52 -0.07 0.07
117
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Media
Media Tratamient Efecto Error
Tratamiento Peso Total o Tratamiento Error Absoluto
Lombrihumus 1.59 1.2 1.72 0.52 -0.13 0.13
Lombrihumus 2.00 1.2 1.72 0.52 0.28 0.28
Lombrihumus 1.65 1.2 1.72 0.52 -0.07 0.07
Químico 1.69 1.2 1.52 0.32 0.17 0.17
Químico 1.52 1.2 1.52 0.32 0.00 0.00
Químico 1.40 1.2 1.52 0.32 -0.12 0.12
Químico 1.46 1.2 1.52 0.32 -0.06 0.06
Tierra 0.58 1.2 0.56 -0.64 0.02 0.02
Tierra 0.6 1.2 0.56 -0.64 0.04 0.04
Tierra 0.6 1.2 0.56 -0.64 0.04 0.04
Tierra 0.46 1.2 0.56 -0.64 -0.1 0.1
Cuantiles observados(RDUO_gr planta)
0.16
0.04
-0.08
-0.20
-0.20 -0.08 0.04 0.16 0.28
Cuantiles de una Normal
118
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
La prueba de normalidad de Shapiro Wilks para los errores del modelo, realizado con el
programa INFOSTAT, confirma que éstos se distribuyen de manera normal. Se acepta
la H0 de normalidad de los errores ya que el valor calculado “p” de 0.10 es mayor al
valor de 0.05.
Como el “p” valor de 0.39 es mayor al valor de 0.05 se concluye que ocurre H0, las
variancias de los errores absolutos de los diferentes tratamientos son iguales, por lo
tanto en este experimento se cumple la homogeneidad de variancias.
119
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
0.22
RABS_peso
0.14
0.06
-0.01
Pulpa Lombrihumus Químico Tierra
Ejercicio 6.3 Se quería saber si los estudiantes utilizan la teoría explicada en el aula al
resolver problemas prácticos. Se hizo un experimento con 12 estudiantes, se formaron
3 grupos, A-B-C, de cuatro estudiantes cada uno. A cada grupo se les dio un ejercicio
matemático semejante para resolver de manera individual. A los cinco minutos al grupo
B se le dio un papel con una información teórica adicional y al grupo C se les dio un
papel con dos informaciones. Cada estudiante resolvía el problema de manera
individual. La variable dependiente fue el tiempo medido en segundos.
Los datos obtenidos fueron los siguientes:
Grupo/ Segundos para resolver E.1 E.2 E.3 E.4
A. Testigo 242 206 300 282
B. Un información adicional 176 129 128 190
C. Dos informaciones adicionales 155 106 122 115
¿Construya las 2 hipótesis correspondientes?
¿Resolver la tabla de ANDEVA?
¿Interprete y comente los resultados?
Verifique el modelo. ¿Son los errores normales, y las variancias de los grupos
homogéneas?
121
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
un bloque completo cuando todos sus elementos componentes tienen valores válidos y
están representados todos los tratamientos.
El BCA exige que en cada bloque se encuentren todos los tratamientos, de ahí el
nombre de “bloques completos” y que los bloques se ubiquen de manera transversal al
gradiente que perturba de mayor grado el área experimental, por ejemplo: pendiente de
suelos, vientos, riego, luz, etc. De esta manera se trata de reducir la suma de
cuadrados del error, de reducir la varianza del error y así poder explicar la variación
ocurrida en el área experimental. El punto débil del modelo es que se pierden grados
de libertad del error, por lo tanto, sino se reduce la suma de cuadrados del error el BCA
pierde precisión frente a un DCA.
122
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Análisis de Varianza
Hipótesis:
Sobre los tratamientos
Ho: μ1= μ2=..... = μk, HA: no todas los μk son iguales
Sobre los bloques
Ho: μ1= μ2=..... = μj, HA: no todas μj son iguales
Estadísticos de Prueba:
Ftratamientos = S2tratam²/S2error ; Fbloques= S2bloque/S2error
Regla de Decisión:
Si Fcalculado es mayor que la Ftabla se rechaza Ho
123
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
− 𝐺𝐿 𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 2
𝑠𝑒𝑟𝑟𝑜𝑟
“t – 1” 𝑏 𝑛
2
Bloques “b – 1” 2
∑𝑏1 (∑𝑡1 𝑥𝑗 )
2 𝑆𝐶𝑏𝑙𝑜𝑞𝑢𝑒𝑠 𝑆𝑏𝑙𝑜𝑞𝑢𝑒𝑠
(∑𝑛1 𝑥𝑖𝑗 )
− 𝐺𝐿𝑏𝑙𝑜𝑞𝑢𝑒𝑠 2
𝑠𝑒𝑟𝑟𝑜𝑟
𝑡 𝑛
(b -1)“
𝑛 2
Total (∑𝑛1 𝑥𝑖𝑗 )
2
∑(𝑥𝑖𝑗 ) −
“n – 1 “ 𝑛
1
Donde:
”i” es cualquier tratamiento
“j” es cualquier bloque
“t” es el número de tratamientos
“b” es el número de bloques
“n” es el número de unidades experimentales, es igual a “b x t”.
Un Ejemplo
Para comparar diseños se analiza el mismo ejemplo anterior, de los fertilizantes, pero
considerando que las repeticiones tuvieron un diseño de bloques
Tabla de ANDEVA
124
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
2
2 (∑𝑛
1 𝑥𝑖𝑗)
Suma de cuadrado Total = ∑𝑛1(𝑥𝑖𝑗 ) − 𝑛
= (1.002 + 0.902 + 1.162 +0.982...+ 0.462 ) – ((1.00 + 0.90 + 1.16 +0.98...+ 0.46)2 / 16)
= 26.61 – 19.242 / 16 = 26.61 – 23.13 = 3.48
2 2
∑𝑡1(∑𝑏
1 𝑥𝑗 ) (∑𝑛
1 𝑥𝑖𝑗)
Suma de cuadrados de los Tratamientos = −
𝑏 𝑛
Separación de Promedios
Estas pruebas se realizan solamente cuando el resultado del ANDEVA refleja que
estamos en HA, es decir al menos los promedios extremos son diferentes. Las pruebas
que veremos son: Diferencias significativas mínimas, Prueba de rangos múltiples de
Duncan y la Prueba de rangos múltiples de Tukey.
2(𝐶𝑀𝑒𝑟𝑟𝑜𝑟 )
DSM0.05 = “t0.05” √
𝑟
126
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
2(0.016)
DSM0.05 = 2.262√ = 0.20 𝑔𝑟
4
El valor “t” de tabla se busca con los grados de libertad del error, en este caso es de 9 y
para un alfa del 5 %. El valor DSM de 0.20 gr se contrasta con las diferentes
diferencias de promedios respecto al testigo. Si la diferencia de promedios es mayor
que el valor DSM, se concluye que estos promedios son diferentes.
127
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
CM error
DSM Tukey = q α, gl error, “t” *
r
Donde “q” es un valor tabulado, ver tabla en Daniel (2006), donde se considera: el valor
alfa de 0.05, los grados de libertad del error, 9, y el número de tratamientos,4. En este
ejemplo el valor “q” es 4.415
0.016
DSM Tukey = 4.415 = √ = 0.28 𝑔𝑟
4
Tabla de Diferencias
Tratamientos Lombri Químico Pulpa café Tierra
humus
Lombrihumus - 0.20 NS 0.71** 1.16**
Químico - 0.52** 0.96**
Pulpa café - 0.45**
Tierra -
Según este cuadro, los fertilizantes “lombrihumus y “químico” son iguales y diferentes y
mejores a los otros dos tratamientos, pero “pulpa de café” es mejor que “tierra”. En
este ejemplo, coinciden en resultados la prueba de Tukey y la prueba DSM, debemos
considerar que no siempre sucede así.
Grupo Animales T1 T2 T3
/Tiempo
Grupo 1 A B C
Grupo 2 C A B
Grupo 3 B C A
Donde A-B-C son los diferentes tipos de alimentos.
En este caso, cada alimento se aplica una sola vez por cada grupo de animales junto
con cada tiempo, y si existiesen efectos sistemáticos debido a diferencias entre los
animales o entre los tiempos, dichos efectos estarían presentes de igual manera en
cada tratamiento, esto es, en cada tipo de alimento.
129
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
En este modelo se pueden observar que las diagonales repiten el mismo grupo, ver el
caso de la diagonal A-A-A, B-B y C-C. Estas diagonales no son problema en esta caso
ya que las columnas son el Factor “tiempo”, y el tiempo no se perturba diagonalmente,
sin embargo si el diseño fuera con filas y columnas en el espacio, por ejemplo filas E-O
y columnas N—S, las diagonales no son deseables ya que pueden ser una fuente de
error. En este caso se recomienda sortear filas y columnas de forma independiente.
A B C D A B C D E
B C D E B A E C D
C D A B C D A E B
D A B C D E B A C
E C D B A
130
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
𝜀𝑖𝑗 = Variación de las observaciones ubicada en la columna “K”, con la fila “j”, usando
el tratamiento “i”.
Análisis de Varianza
Hipótesis:
Sobre los tratamientos
Ho: μ1= μ2=..... = μi HA: no todas las μi , tratamientos, son iguales
Sobre el Factor en columna
Ho: μ1= μ2=..... = μj HA: no todas las μj , columnas, son iguales
Sobre el Factor en Fila
Ho: μ1= μ2=..... = μk , filas, son iguales. HA: no todas las μk son iguales
Estadísticos de Prueba:
F1= St²/S2error; F2= Sf²/S2error; F3= Sc²/S2error
131
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Datos obtenidos
Asignatura Grupo Momento Nota Asignatura Grupo Momento Nota
Economía C 1 82 Estadística A 1 75
Economía D 2 81 Estadística B 2 70
Economía A 3 83 Estadística C 3 73
Economía B 4 77 Estadística D 4 67
Física D 1 70 B de D B 1 78
Física A 2 65 B de D C 2 76
Física B 3 67 B de D D 3 78
Física C 4 61 B de D A 4 71
Suma de Cuadrados
𝟐
𝑺𝑪𝒕𝒐𝒕𝒂𝒍 = 𝟖𝟐𝟐 + 𝟖𝟏𝟐 + ⋯ + 𝟕𝟏𝟐 − 𝟏𝟏𝟕𝟒 ⁄𝟏𝟔 = 𝟔𝟐𝟑. 𝟕𝟓
132
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
20 C 1 567
30 D 1 774.7
0 B 2 523.3
10 A 2 519.43
20 D 2 444.27
30 C 2 772.56
0 D 3 559
10 C 3 699.1
20 B 3 702.61
30 A 3 734.6
0 C 4 586.2
10 D 4 432
20 A 4 656.78
30 B 4 574
A B C D
B C D E
C D A B
D A B C
Análisis de Varianza
136
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Tabla de datos
Para analizar los datos manualmente se debe hacer las sumatorias por tratamiento.
Sexo Horas Repeticiones ̅
𝑿
∑𝑿
137
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Suma de Cuadrados
𝟐
𝑺𝑪𝒕𝒐𝒕𝒂𝒍 = 𝟕𝟎𝟐 + 𝟕𝟒𝟐 + ⋯ + 𝟖𝟐𝟐 − 𝟏𝟖𝟔𝟒 ⁄𝟐𝟒
Estos resultados dicen que no hay diferencias de notas según sean los estudiantes
varones o mujeres (significación de 0.64 mayor al 0.05), pero por otro lado si se
observa diferencias estadísticas entre las horas de estudio (significación de 0.0001
menor al 0.05), con esta última variable y este resultado se debe hacer una separación
de promedios entre las tres categorías de horas de estudio.
Gráfico de Interacciones
Este gráfico nos permite observar si hay interacción con los dos factores, “sexo” y
“horas de estudio”. Esta interacción ocurre si las rayas generadas por las variables se
138
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
cruzan, lo que sería una confirmación de la existencia de interacción entre sexo y horas
de estudio. Como esto no se observa en el gráfico que se muestra a continuación, se
puede concluir que coinciden los resultados del ANDEVA y del gráfico.
139
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Objetivos
Comparando ambos enfoques, en general los modelos paramétricos tienen una mayor
sensibilidad para detectar diferencias significativas entre grupos cuando la variable
dependiente es continua y normal, pero por otro lado los modelos no paramétricos se
pueden aplicar a casi todos los casos de pruebas de hipótesis, son más fáciles de
140
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
La prueba del signo es semejante en su uso a una prueba “t” con muestras
apareadas.
La hipótesis nula de esta prueba, H0: plantea que no hay diferencias de notas entre la
evaluación final menos la evaluación de inicio o sea que existe el mismo número de
positivos (+) que de negativos (-), donde la probabilidad de (+) es un ½ y la mediana de
las diferencias es 0. Se rechaza H0 en favor de HA sólo si el número observado de
signos (+), es grande o pequeño, la fracción observada de signos positivos es
significativamente mayor o menor que ½.
Procedimiento
141
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Si “n” es pequeño se considera que son “n” pruebas Bernoulli independientes con p
=1/2 (+) y (1-p) = q = 1/2 (-). Por lo que el número total de (+) es una variable aleatoria
con distribución BINOMIAL con parámetros n y p.
Entonces
El promedio esperado de (+) es “n p = n/2”
La varianza de (+) es “n p (1-p) = n/4”
Z+ = (((+) 0.5) – n p) / √𝑛 𝑝 𝑞
Donde “n” es la suma del número de signos, (+) y (-), no se cuentan los ceros. Y
“p = q = 0.5”.
142
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Ejercicio 7.1
Dónde:
Ejercicio 7.2
En el siguiente grupo de estudiantes determinar por la prueba del signo, si hubo mejora
entre las notas promedios de la primera evaluación de exámenes trimestrales y la
segunda evaluación trimestral.
Jeydels 82 89 Meyling 80 82
Erick 78 85 Jasser 70 69
Miriam 79 84 Darol 60 60
Nely 81 90 Karla 63 74
Ejercicio 7.3
Esta prueba se usa para verificar “independencia” entre dos variables cualitativas, este
concepto es semejante al concepto correlación. La misma se asocia a la realización de
tablas de contingencia.
Por ejemplo, si se quiere vincular la variable tener o no beca, “Becas” con el éxito de un
examen académico, “Éxito”, dos variables cualitativas. Los resultados de un estudio de
este tipo se pueden comprimir en una tabla de contingencia 2x2 del tipo como la
siguiente
Becado No Becado
Éxito a b m = a+b
No E c d n = c+d
e = a+c f = b+d T
145
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Donde se estudian “T” total de alumnos, “a” son becados (B) y tienen éxito en un
examen (Éxito), “b” alumnos que no tienen beca (N B) y no tiene éxito en un examen
(No E).
H0 es que el factor Beca y el factor Éxito son independientes, y HA que están asociados
(sí es así los becados son más exitosos en sus notas). Si ambas variables son
independientes debe ocurrir que “p (E B) = p (E) p (B)”.
Para resolver esta prueba se debe construir una tabla de valores esperados, como a
continuación se observa:
Becado No Becado
Éxito em/T fm/T m
No E en/T fn/T n
e f T
𝒌
𝟐
(𝑶 𝒊 − 𝑬𝒊 )𝟐
𝝌 =∑
𝑬𝒊
𝒊=𝟏
146
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Ejemplo
En una muestra de 300 estudiantes que cursaron matemáticas se observa que 231
aprobaron (éxito). Se quiere estudiar su posible asociación con el hecho de ser Becado
o No Becado (factor). La tabla de valores Observados, O, es
Éxito No E Totales
Becado 88 12 100
No Becado 143 57 200
Totales 231 69 300
Éxito No E
Becado 231x100/300=77 69x100/300=23
No Becado 231x200/300=154 69x200/300=46
Obsérvese que una vez calculado uno de los valores esperados, los demás vienen
dados para conservar los totales marginales (eso es lo que significa que hay 1 g.l.).
A partir de aquí calculamos el valor χ2 con una corrección, sustraer 0.5 del valor
absoluto, corrección de Yates, que se usa solamente en las tablas 2x2 (de dos filas y
dos columnas), esto se hace para lograr continuidad en los datos. Como no existe un
consenso generalizado sobre la aplicación de la corrección, el uso de esta queda a
criterio del investigador, sin embargo algunos autores sugieren usar la solamente la
corrección cuando los totales de ambas variables son fijos. En este ejemplo
aplicaremos la corrección de Yates a modo de ejemplo.
147
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
𝑘
2
(|𝑂𝑖 − 𝐸𝑖 | − 0.5)2 10.52 10.52 10.52 10.52
𝜒 =∑ = + + + = 9.34
𝐸𝑖 77 23 154 46
𝑖=1
𝑘
(𝑂𝑖 − 𝐸𝑖 )2 112 112 112 112
2
𝜒 =∑ = + + + = 10.25
𝐸𝑖 77 23 154 46
𝑖=1
2
El valor de tabla con un grado de libertad, (2-1) X (2-1), es de 𝜒1(0.05) = 3.84
No Varón No Varón
No Mujer No Mujer
No Varón No Mujer
Si Varón Si Mujer
No Mujer Si Mujer
Frecuencias observadas
Turno
Día Tarde Noche
Defectuosos 450 550 700
Sea que p1, p2 y p3 representen las proporciones reales de artículos defectuosos para
los turnos del día, la tarde y la noche, respectivamente. Resolver la siguiente prueba de
hipótesis Ho: p1 = p2 = p3; HA: p1, p2 y p3 no son todas iguales.
149
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Donde:
K: número de grupos.
n: número total de elementos o datos.
Rj: Suma de los ranking del grupo j.
nj: número de elementos del grupo j.
Una vez calculado el estadístico H, se busca en una tabla diseñada para esta prueba el
valor crítico, H crítico, si H calculado>H crítico se rechaza la hipótesis nula y por tanto existe
diferencia entre los grupos. En caso de tener suficientes repeticiones, más de 5
observaciones por grupo, se puede usar los valores de la tabla “X 2” con K-1 grados de
libertad para determinar el valor crítico y no es necesario usar la Tabla de valores H.
Ejemplo A tres grupos de jóvenes se les impartió una capacitación de tres maneras
diferentes: por video, por internet y a través de un profesor. Luego por medio de
una prueba escrita, valorada sobre 100, se midió la capacidad de retención de lo
explicado. La nota obtenida de cada una de las personas de los tres grupos fue:
150
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
K= 3
N= 19, NV = 6, NI =6, NP = 7.
Ranking Video: 1, 2, 4, 5, 6.5, 8 = 26.5
Ranking Internet: 3, 6.5, 9.5, 11, 13, 14.5 = 57.5
Ranking Profesor: 9.5, 12, 14.5, 16, 17, 18, 19 = 106
La hipótesis nula de esta prueba establece igualdad de las medias de los tratamientos,
la alternativa es que al menos un tratamiento sea diferente. Esta prueba no necesita de
los supuestos de que los datos son independientes y las varianzas homogéneas.
151
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
En esta prueba los datos se organizan en una matriz, donde las filas son los bloques y
las columnas los tratamientos o grupos.
Donde:
K: número de grupos o tratamientos.
n: número bloques.
Rj: es la suma de las jerarquías dentro de la columna o tratamiento j.
Se puede usar los valores críticos de la tabla “X2” con K-1 grados de libertad para
determinar que hipótesis se cumple.
Ejemplo, se les pidió a nueve estudiantes de Ingeniería Industrial las notas de las
cuatro asignaturas que habían cursado el semestre anterior. Se quiere saber si hay
diferencias en la evaluación de las asignaturas, pero como se considera que cada
estudiante es diferente en su comportamiento, se trata de neutralizar este efecto con un
diseño de bloques aplicado a los estudiantes.
Datos
Estudiantes/ Asignaturas, Notas
bloque Programación Probabilidades Física III Metalurgia
II
A 74 86 79 93
B 75 82 99 95
C 72 80 84 86
D 79 78 80 88
E 74 75 67 93
F 76 82 84 96
G 71 85 86 94
H 82 86 93 97
I 75 86 96 94
152
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Este valor calculado de 19.27 es mayor al valor X2 con 3 grados de libertad de 7.81, lo
que se puede concluir que, en cuanto a su forma de ser evaluada, al menos una
asignatura es diferente del resto.
153
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
6 ∑𝑛1=𝑖 𝑑𝑖2
𝑟 =1−
𝑛(𝑛2 − 1)
Matemáticas 2 3 5 5 6 6 7 7 8 9
Español 2 2 5 5 6 7 5 8 7 10
Diferencia -0.5 0.5 -0.5 -0.5 -0.5 -2.0 3.5 -1.5 1.5 0
de ranking
154
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Diferencia al 0.25 0.25 0.25 0.25 0.25 4.00 12.25 2.25 2.25 0.0
cuadrado d2
En este ejemplo el valor “r” de Spearman de 0.87 se asemeja al valor del “r” de
Pearson de 0.919.
155
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Objetivos
156
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Los diagramas de control más usados son los propuestos por Walter Shewhart, padre
del control estadístico de la calidad. Estos diagramas tienen un límite central, uno
inferior y otro superior, estos dos últimos límites señalan cuando el proceso está fuera
de control
Se dice que un proceso está bajo “Control Estadístico” cuando éste varía únicamente
por causas aleatorias. Cuando ocurre esto tenemos un proceso estable y predecible.
Cuando existen causas no aleatorias el proceso está fuera de Control Estadístico; los
diagramas de control detectan la existencia de estas causas en el momento en que se
dan, lo cual permite tomar acciones al momento.
Los valores medidos se comparan con unos límites (líneas paralelas al eje central). Los
límites más comunes son los siguientes: el Límite superior de control (LSC) y el inferior
(LIC), paralelos a una línea central (LC) representativa del valor medio. En este capítulo
veremos 9 tipos de Diagramas de control.
157
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Variable
continua
Si (mediciones) No (atributos)
Más de un Más de un
elemento defecto por
por elemento
muestra
Si No Si No
Límites. Un diagrama de control consiste en un gráfico formado por una línea central
(LC) y dos líneas paralelas una por encima, Límite Superior del Control (LSC), y otra
por debajo. Límite inferior del Control (LIC). Para cada grupo se van representando los
valores de 𝑋̅, R, o S, etc., si los valores están comprendidos en el intervalo LSC- LIC)
158
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
se dice que el proceso está bajo control, en caso contrario el proceso puede estar
descontrolado
Estos límites pueden ser conocidos por datos históricos o exigencias de la producción,
sino es necesario estimarlos a partir de las observaciones de varios grupos de
muestreo. Es así que se deben calcular estimadores de los parámetros µ y σ.
Los tipos más frecuentes de diagramas de control para una sola variable son:
̅ con límites definidos por los rangos.
Diagrama de Medias 𝑿
Diagrama de Rangos (R).
Diagrama de Medias con límites definidos por los Desvíos estándares (S).
Diagrama de Medias de Desvíos estándares (S).
Diagrama de Valores individuales (X-ind).
Este diagrama permite observar cómo varían los promedios de los diferentes grupos o
muestras. Permite identificar si un grupo de muestras está alterando su promedio. Para
realizar este gráfico se debe calcular:
159
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Ejemplo: En un beneficio de café, por cinco días, a medida que llegaba el café se
tomaron 5 muestras/día de café pergamino. A estas muestras se les midió el porcentaje
de humedad. Se quiere saber si el porcentaje de humedad está variando de día en día.
Día Repeticiones ̅
𝑿 R
1 17.90 24.10 18.70 19.20 19.30 19.84 6.2
2 21.30 19.60 18.70 19.80 19.20 19.72 2.6
3 18.50 20.30 21.20 19.80 19.00 19.76 2.7
4 21.90 23.10 22.10 20.10 21.90 21.82 3
5 23.10 22.10 20.10 19.20 21.40 21.18 3.9
̿
𝑿 20.46 3.68
Siendo:
𝐴2 para grupos de 5 muestras = 0.577, y “n” = 5 el tamaño de cada grupo
Dónde: LC = 20.46, LSC= 20.46 + 3.68 (0.577) = 22.59, LIC= 20.46 - 3.68 (0.577) =
18.34.
X-barra Rango
19.84 6.20 Límites de Control :X-barra
19.72 2.60 Línea Superior: 22.59
19.76 2.70 Línea Central: 20.46
21.82 3.00 Línea Inferior: 18.34
21.18 3.90
160
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
21.7
X-barra
20.5
19.3
18.1
1 2 3 4 5
Día
Siendo 𝐷4 y 𝐷3 valores tabulares variables en función del “n” de los grupos. (Ver tabla
al final del capítulo). Para el ejemplo anterior: LC= 3.68, LCS= 3.68 (2.144)= 7.78, LCI=
3.68 (0) = 0.
Límites de Control: Rango
Línea Superior: 7.78
Línea Central: 3.68
Línea Inferior: 0.00
161
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
6.2
Rango
4.1
2.1
0.0
1 2 3 4 5
Día
8.3.3 Diagrama de Medias con límites definidos por los Desvíos estándares, S.
LC = 𝑋̿
̅
LSC y LIC = 𝑋̿ ± 3 𝑆⁄ , siendo 𝐶4 un valor de tabla que considera el tamaño de
𝐶4√𝑛
cada grupo (ver tabla al final del capítulo) y 𝑆̅ el promedio de los desvíos
estándares por grupo.
Ejemplo con los datos del ejercicio de muestras de café:
X-barra Desvío estándar Límites de Control: X-barra
19.84 2.44 Límites de Control
19.72 0.98 Línea Superior: 22.50
19.76 1.06 Línea Central: 20.46
21.82 1.08 Línea Inferior: 18.43
21.18 1.55
162
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
21.6
X-barra
20.5
19.3
18.2
1 2 3 4 5
Día
𝑆̅
LC = 𝑆̅, LSC y LIC = 𝑆̅ ± 3 √1 − 𝐶42
𝐶4
2.4
1.6
0.8
0.0
1 2 3 4 5
Día
163
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Este diagrama se construye cuando hay un solo grupo con muchas repeticiones. Los
límites superiores e inferiores se hacen con rangos móviles con una amplitud mínima
de 2 casos consecutivos. Por ejemplo si se calculan los rangos de dos medidas
sucesivas, amplitud = 2, se obtienen “n-1” rangos. Las formas de cálculo de los límites
son:
̅
LC = 𝑋̅, LSC y LIC = 𝑋̅ ± 3 𝑅⁄𝐷 siendo 𝑋̅ la media de las mediciones, 𝑅̅ la media de
2
los rangos móviles y 𝐷2 un valor de tabla que considera el tamaño de datos de cada
rango móvil (ver tabla al final del capítulo). Cada valor observado es un punto del
diagrama.
Ejemplo con los datos del ejercicio de humedad de los granos de café, considerando
que todas las muestras fueron tomadas al mismo tiempo:
Humedad Rango Amplitud móvil Humedad Rango Amplitud móvil
17.90 sd
21.30 3.40 22.10 0.90
18.50 2.80 20.10 2.00
21.90 3.40 19.20 0.90
23.10 1.20 19.80 0.60
24.10 1.00 19.80 0.00
19.60 4.50 20.10 0.30
20.30 0.70 19.20 0.90
23.10 2.80 19.30 0.10
22.10 1.00 19.20 0.10
18.70 3.40 19.00 0.20
18.70 0.00 21.90 2.90
21.20 2.50 21.40 0.50
𝑅̅ 1.50
164
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
23.0
Humedad
20.5
17.9
15.3
1 7 13 19 25
Número de Muestra
Estas gráficas son útiles como medida del desempeño de un taller, departamento,
empresa, etc. Generalmente el desempeño de la industria mejora después de introducir
una gráfica para atributos como control de la calidad productiva, pues la gráfica es una
representación visual continua de su funcionamiento.
165
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
166
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
𝑝̅ (1−𝑝̅ )
𝑝̅ y 𝜎= √ , donde n es el tamaño de cada muestra y 𝑝̅ es la proporción promedio
𝑛
Un problema de ésta técnica es que las gráficas de control pueden no tener Límite
Inferior de Control y por otro lado, a medida que se mejora el proceso, p disminuye y
por lo tanto se requiere incrementar el tamaño de los subgrupos.
El ejemplo: En una fábrica de tabaco que produce puros de exportación, al final del
proceso de manufactura se hace inspección de la calidad e los mismos. Se evalúan
lotes de 500 puros cada uno, en la tabla siguiente se tienen el número de puros
rechazados.
Para resolver éste problema con el programa INFOSTAT se debe crear una matriz de
dos columnas una con el número de defectos y la otra con el tamaño de la muestras
(subgrupo) de 500. El número de filas serán 20.
Resolución
167
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Diagrama de control p
0.041
Proporción defectos
0.031
0.020
0.010
0.000
1 6 11 16
Lote
8.4.2 Diagrama “n p”
Ejercicio. Diagrama de Control np, a partir de los datos del problema de puros.
Diagrama de control np
20.3
Cantidad defectos
15.3
10.2
5.1
0.0
1 6 11 16
Lote
169
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
Es frecuente que en los procesos industriales existan más de un tipo de defecto por
objeto de estudio y sin embargo no hacen que se clasifica al producto como
descartable, son características indeseables pero que no necesariamente impidan que
el producto pase o no a la siguiente fase del proceso como sucede con los diagramas
“p” y “np”. En esto caso se utilizan los diagramas “c” y “u”. También se pueden usar
éstos diagramas en casos como “número de fallas por operario”, números de quejas
por un mal servicio” “número de fallas de una máquina”, etc.
170
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
15 7 30 4
Diagrama de Control c, a partir de los datos del problema de quejas por central
telefónica
Diagrama de control c
16
Quejas x Central
12
0
1 8 15 22 29
Mes
𝑐
Se define la media “i” de defectos por muestra de “n” elementos 𝜇𝑖 = 𝑖⁄𝑛𝑖 .Quedando el
Límite de Control Central:
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒𝑓𝑒𝑐𝑡𝑜𝑠
𝜇̅ = 𝐿𝐶 = ⁄𝑇𝑜𝑡𝑎𝑙 𝑎𝑟𝑡í𝑐𝑢𝑙𝑜𝑠 𝑖𝑛𝑠𝑝𝑒𝑐𝑐𝑖𝑜𝑛𝑎𝑑𝑜𝑠. Si 𝜎𝑖 = √𝜇̅⁄𝑛𝑖
171
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
𝜇̅
3√ ⁄𝑛𝑖 . De ésta manera para cada tamaño de muestra habrá límites diferentes.
Diagrama de Control u, a partir de los datos del problema de quejas por operario
Diagrama de control u
7.7
Media queja/operario
5.7
3.8
1.9
0.0
1 8 15 22 29
Mes
Este gráfico muestra los límites inferiores y superiores variables
Bibliografía Consultada
Cajal, H. U. (sf). Material docente de la Unidad de Bioestadística Clínica. Recuperado el
15 de Enero de 2009, de http://www.hrc.es/bioest/M_docente.html#tema2
Cebrían, M. (2001). Distribuciones continuas. Recuperado el 14 de Julio de 2009, de
Ministerio de Educación y ciencia:
http://descartes.cnice.mecd.es/Bach_HCS_2/distribuciones_probabilidad/dis_con
tinuas.htm
CYTA. (s.f.). Guía de Estadísticas. Distribución de Poisson . Recuperado el 14 de Julio
de 2009, de
http://www.cyta.com.ar/biblioteca/bddoc/bdlibros/guia_estadistica/index.htm
Daniel, W. (2006). Bioestadística. Base para el análisis de las ciencias de la salud .
México: Limusa.
DATA MINING INSTITUTE . (2001). UNIANOVA - Diseño Completamente Aleatorio.
Recuperado el 17 de Julio de 2009, de
http://www.estadistico.com/arts.html?20011015
Gonzalez, L. (2004). INFOSTAT, Manual del usario. Córdoba: Universidad Nacional de
Córdoba.
Gutiérrez, H., & De la Vara, R. (2004). Control estadístico de la calidad y seis sigmas.
México: McGraw Hill.
Hernández, L., Castillo, A., Bofill, A., & Pons, R. (87). Probabilidades. Habana: Pueblo y
Educación.
173
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
174
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo
UNI Norte
175
Estadística Básica para Ingenieros Luis María Dicovskiy Riobóo